《表3 添加密度为5%椒盐噪声的总体分类精度》
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%。
图表编号 | XD00118447600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.31 |
作者 | 龚循强、鲁铁定、刘星雷、周秀芳、崔统博 |
绘制单位 | 东华理工大学测绘工程学院、东华理工大学江西省数字国土重点实验室、东华理工大学测绘工程学院、东华理工大学测绘工程学院、东华理工大学测绘工程学院、东华理工大学测绘工程学院 |
更多格式 | 高清、无水印(增值服务) |