《表1 Indian Pines数据集上不同方法的分类精度和运行时间对比》
在表1中给出了数据的定量分析。表1的结果进一步验证了从图6得出的结论,与CNN相比,SSF-CNN算法的OA、AA、Kappa分别提高了2.5个百分点,5.52个百分点和3.46个百分点;与同是半监督框架的SS-CNN相比,OA、AA、Kappa也分别提高了1.17个百分点、1.89个百分点和1.61个百分点。而当采用马尔可夫随机场作为分类后处理后,本文SSF-CNN-MRF算法取得了更好的分类结果,在6个类别上的分类精度都最高,分别达到95.12%、98.32%、99.78%、99.70%、98.29%和100%。就总体分类评价指标而言,SSF-CNN-MRF算法的OA、AA和Kappa分别达到98.73%、98.54%和98.24%。可以看出,在分类任务中马尔可夫随机场作为图像后处理是有益的,这是因为马尔可夫随机场侧重于高光谱图像的空间信息,并与卷积神经网络提取的光谱信息相结合,进一步提高了分类性能。
图表编号 | XD00133821700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.10 |
作者 | 张凯琳、阎庆、夏懿、章军、丁云 |
绘制单位 | 安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、测绘遥感信息工程国家重点实验室(武汉大学) |
更多格式 | 高清、无水印(增值服务) |