《表6 3组数据不同算法下的分类结果》
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。
图表编号 | XD00112200100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.05 |
作者 | 职露、余旭初、邹滨、刘冰 |
绘制单位 | 华北水利水电大学测绘与地理信息学院、信息工程大学、中南大学地理信息系、信息工程大学 |
更多格式 | 高清、无水印(增值服务) |