《表2 结合纹理特征的TSVM分类精度混淆矩阵》
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。
图表编号 | XD00125048300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.15 |
作者 | 金鹏飞、汤瑜瑜、危峻 |
绘制单位 | 中国科学院大学、中国科学院上海技术物理研究所中国科学院红外探测与成像技术重点实验室、中国科学院上海技术物理研究所中国科学院红外探测与成像技术重点实验室、中国科学院上海技术物理研究所中国科学院红外探测与成像技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |