《表4 Pavia University数据集的分类总体精度》

  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

《基于空谱联合协同表征的高光谱图像分类算法》

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

在相同的训练集和数据集上验证不同算法的性能。表3表示不同算法在Indian Pines数据集上进行分类的结果。文中算法的分类精度相比较于SVM、SOMP和NRS以及其它算法的分类精度有明显提高。Pavia University数据集的每个类在几种算法下的分类精度见表4。文中提出的改进算法在类Bare soil、Bitumen、Bricks、Gravel、Meadows、Metalsheets和Sadows上取得了很好的分类效果，总体精度分类相比于SVM-CK提高了4.3%，相比于SOMP提高了22.17%，比算法NRS的分类精度提高了13.99%，同时在JCR的基础上提高了1.31%。综合以上表格分类的结果可以得出结论，上下文的空间信息的引入大大提高了分类性能。在正则化项中加入空间信息对分类精度的提高是有利的。