《表6 3组数据不同算法下的分类结果》

  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

《多层级二值模式的高光谱影像空-谱分类》

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

PaviaU、Salinas和Chikusei影像不同算法的分类结果如表6所示，从表6中可以发现，对于PaviaU、Salinas和Chikusei数据，SML-KELM的总体分类精度比S-KELM分别提高了13.35%、9.52%和4.09%，比ML-KELM分别提高了7.73%、0.72%和4.77%。其中，Salinas数据具有相对较低的提升率是受空间分辨率与光谱相似度的影响；Chikusei数据光谱本身可分性较好（S-KELM分类精度可说明），但MLBP纹理特征的引入仍可改善仅含光谱特征的分类效果。此外，若单独利用影像纹理信息或者光谱信息进行分类，PaviaU（Salinas）数据的ML-KELM算法具有相对的优势，比分类结果最相近的G-KELM(MRL-KELM）算法的总体分类精度高2.18%(1.09%）；Chikusei数据S-KELM总体分类精度较高，对于相同纹理特征，ML-KELM仍具有一定优势。若利用空-谱联合特征进行分类，基于3组数据的SML-KELM算法的总体分类精度最高，比分类结果最相近的SL-KELM(SMRL-KELM和SMRL-KELM）总体分类精度高出0.19%(0.4%和1.12%）。表6表明，本文算法的分类时间较其他算法没有显著提升。