《表1 七种算法在四个数据集上的聚类精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合高光谱影像三维空谱特征的子空间聚类算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了评估算法的聚类精度，本文将在四个经典高光谱数据集Salinas-A、Pavia Center、Pavia University和Indian Pines[16]上进行实验测试。Salinas-A高光谱遥感影像由AVIRIS传感器在California的Salinas Valley获取，数据集包含224个波段图像，每个波段图像大小为86×83，分为6类地物。Pavia Center高光谱遥感影像由ROSIS-03传感器在意大利的帕维亚中心获取，简称PaviaC，数据集包含102个波段图像，每个波段图像大小为1 096×715，总共148 152个标记样本，分为9类地物；实验采用其中尺寸为120×120，包含6类地物的高光谱图像进行测试。Pavia University高光谱遥感影像由ROSIS-3传感器采集于意大利帕维亚周边的帕维亚大学，拥有103个波段图像，每个波段图像大小为610×340，分为9类地物；实验采用其中尺寸为200×100，包含8类地物的高光谱图像进行测试，简称PaviaU。Indian Pines是AVIRIS传感器于印第安纳洲的农场采集，其中包含220个尺寸为145×145的高光谱图像，分为6类地物，简称Indian P。由于式（11）中存在平衡参数λ，在进行对比实验前分别取λ为0.001、0.005、0.01、0.05、0.1或0.5对数据集寻找对模型较优的参数。实验结果表明当λ取0.01时模型能得到较高的聚类精度。将本文提出的3DF-SSC算法与K-means[2]、SC[3]、SSC[4]、M3DF3[7]、SS-LRSC算法[8]和L2-SSC[6]算法的实验结果进行对比。七种算法对四个数据集的聚类精度如表1所示，其中PaviaU和Salinas-A数据集的聚类结果如图1和2所示。K-means和SC算法是经典的无监督聚类算法，从表1以及图1、2可以看出，这两种仅关注光谱信息的算法取得的聚类效果较为一般，对高光谱像素的判别能力较差，存在大量的误分类和椒盐噪声。由M3DF3算法的运行结果可以看出，在提取高光谱影像的三维空谱特征后，影像的聚类效果得到了显著提高，可见高光谱遥感影像的空间上下文信息有助于对像素点的识别。对于子空间聚类算法，传统的SSC算法的运行结果和K-means、SC算法一样较为一般，而L2-SSC和SS-LRSC算法在添加空间上下文信息后，遥感影像的聚类效果有了明显的提高。由此可见，获得空间上下文信息的子空间聚类的聚类效果优异。