《表2 评价指标：改进型DeepLab的极化SAR果园分类》

  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

《改进型DeepLab的极化SAR果园分类》

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

注:加粗字体表示最佳结果。

图8（b）-（e）为4组对比实验，分别为基于纹理计算与支持向量机算法（GLCM(gray level co-occurrence matrix）+SVM)、基于多通道分解与空间金字塔分类算法（decompositon+SPM(spatial pyramid matching）)、基于统计分布单元与卷积神经网络算法（SDU(statistical distribution unit）-CNN)和DeepLab，每组实验的各类水果分类准确率和评价指标如表1和表2所示。可以看出decompositon+SPM方法的分类总体精度最低，只有64.16%，对于3种时期的芒果误分类比较严重，并且槟榔和龙眼两种水果的分类精度也比较差。GLCM+SVM方法在槟榔和龙眼的分类精度上提高了10%左右，但是对于同种水果的不同时期状态分类效果依然很差。SDU-CNN方法相比前两种分类方法在芒果、槟榔和龙眼3种水果的分类精度都提高了10%左右。原始的DeepLab方法将Ⅰ期芒果、Ⅱ期芒果、槟榔的分类精度分别提高到了95.62%、91.56%和94.33%，但是对于Ⅲ期芒果和龙眼的分类依然存在比较大的误差。本算法在Ⅰ期芒果、Ⅱ期芒果、Ⅲ期芒果、槟榔、龙眼5类果园上的分类准确率达到了最高，分别为98.56%、98.33%、95.62%、99.23%、98.32%。