《表2 在数据集2上各光谱特征提取方法的总体分类正确率、生产者精度和Kappa系数的比较》
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》
表3和表4分别列出了以上方法在数据集1和数据集2上取得最高总体分类正确率时用到的特征数量、Kappa系数和生产者精度。从表3和表4中可以看出,随着训练样本数量的增加,所有光谱特征和空间特征的总体分类正确率均增加。在光谱特征选择方法中,CMIM和DISR受训练样本数量影响较小,最高总体分类正确率分别为0.9%和1.3%。对比表2和表4,可以看出总体上光谱特征选择方法比光谱特征提取方法的总体分类正确率高,但若考虑到所用的特征数量,光谱特征提取方法在达到最高分类正确率时用到的特征数量要比光谱特征选择方法用到的特征数量少,如PCA方法在数据集2上达到最高分类正确率84.0%时仅选择了6个特征,而DISR方法达到最高分类正确率84.4%时选择了23个特征。因此如果实际应用中偏重于时效性,光谱特征提取方法占有优势。同时也可以较明显地发现,空间特征的总体分类正确率比光谱特征的总体分类正确率高。以JMI方法和Gabor方法为例,在JMI光谱特征选择方法下玉米的分类正确率为82.3%,而在Gabor空间特征提取方法下玉米的分类正确率提高到98.4%,这主要是因为各类别植被的光谱维特征具有较高的相似性,而它们在空间维的特征具有较好的可区分性。在GLCM、Morph和Gabor三种空间特征提取方法中,Gabor特征的总体分类正确率最高,说明Gabor特征在植被分类中能较好的刻画其在影像中的空间特征。
图表编号 | XD00142173800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.31 |
作者 | 付元元、杨贵军、段丹丹、张永涛、顾晓鹤、杨小冬、徐新刚、李振海 |
绘制单位 | 农业农村部农业遥感机理与定量遥感重点实验室北京农业信息技术研究中心、国家农业信息化工程技术研究中心、农业农村部农业遥感机理与定量遥感重点实验室北京农业信息技术研究中心、国家农业信息化工程技术研究中心、北京农业智能装备技术研究中心、江苏诺丽慧农农业科技有限公司、农业农村部农业遥感机理与定量遥感重点实验室北京农业信息技术研究中心、国家农业信息化工程技术研究中心、北京市农业物联网工程技术研究中心、国家农业信息化工程技术研究中心、国家农业信息化工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |