《表2 结合纹理特征的TSVM分类精度混淆矩阵》

  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

《基于TSVM和纹理特征的WIS遥感影像分类方法》

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

TSVM与SVM最大的不同在于，构建两个非平行的超平面，而不是一对最大间隔的平行超平面。这意味着，从一个较大的训练规模变成两个较小的规模，理论上来说速度变成4倍。但对于实际分类来说，速度的提升远没有4倍之多。在同样“一对一”的分类模式以及基于径向基核函数的分类情况下，每类训练样本选取个数为1 500个，基于SVM的分类时间为26.41 s，基于TSVM的分类时间为14.27 s。原因在于，SVM实验使用的是LibSVM库，代码的优化提升了速度。对于分类精度，无论基于纹理特征还是原始图像，TSVM与SVM的效果相差不多。结合纹理特征的TSVM分类精度为87.861 3%，Kappa系数为0.854 3；结合纹理特征的传统SVM的分类精度为87.659 0%，Kappa系数为0.851 9；单纯基于TSVM的分类精度为81.088 6%，Kappa系数为0.773 2。混淆矩阵如表2所示。因此，结合纹理特征和TSVM的分类算法不仅时间将近缩短1 2，而且在分类精度上提高了6.8%左右。最终，基于TSVM和纹理特征的总体分类效果如图5所示。