《表3 添加密度为5%椒盐噪声的总体分类精度》

  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

《高分辨率遥感图像场景线性回归分类》

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

同样将每类场景中的第1幅图像作为训练图像，其余为待分类测试图像。为了评估基于LS方法、RLS方法、WTLS方法和RWTLS方法的线性回归分类对遥感图像灰度值中可能存在粗差的抵抗能力，在原始遥感图像的基础上，将所有图像添加密度为5%的椒盐噪声，比较四种方法对粗差的抵抗能力。采用线性回归分类对5类遥感图像场景进行分类，四种方法所得的总体分类精度如表3所示。由表3可得，由于图像灰度值中包含粗差，造成不能抵抗或消除图像中可能存在粗差影响的LS方法和WTLS方法的总体分类精度明显变低。LS方法和WTLS方法的总体分类精度从82.222%降低到32.889%，总体分类精度降低了49.333%。由于RLS不能同时考虑观测向量和系数矩阵的误差，致使RLS方法的总体分类精度也从84.444%降低到72.667%，总体分类精度降低了11.777%。而RWTLS方法不仅能够同时考虑观测向量和系数矩阵的误差，同时能够对观测数据中的粗差进行有效抵抗，其总体分类精度仅降低了8.000%。