《表4 在数据集2上光谱特征和空间特征在高光谱影像植被分类中的性能》

  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

《AVIRIS高光谱数据空-谱特征在植被分类中的对比分析》

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

(2）总体上光谱特征选择方法（如JMI、CMIM和JM）比光谱特征提取方法（如PCA、LDA和ICA）的分类正确率高，这主要是因为这些代表性的Filter特征选择方法在选择特征时是基于构造的类别可分性或者信息量互补性准则进行的，这些准则用到了类别信息，而原始的PCA和ICA特征提取方法未用到类别信息，是典型的非监督特征提取方法。虽然这两种方法达到了降维的目的，但是在分类识别问题中，非监督特征提取方法明显处于劣势，这一点也可以从PCA、ICA、PCA＿ScatterMatrix和LDA的性能比较中看出（表2），在这4种方法中，PCA＿ScatterMatrix和LDA是监督特征提取方法，它们在分类中的性能明显优于原始PCA和ICA，由于LDA算法自身的缺陷导致所能选择的成分数较少，因此在分类中的性能受到限制。总体上特征选择方法较特征提取方法在分类中用到的特征数量多（表2、表3和表4），因此若实际应用中偏重时效性，光谱特征提取方法具占有优势。