《表4 多标签算法对比：多标签高光谱图像地物分类》

  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

《多标签高光谱图像地物分类》

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

注:加粗字体表示最优结果。

对5种算法在Model-m上做高光谱多标签分类的结果进行对比。算法为BR，ML-KNN，LIFT，LIFT＿SAM，LIFT＿SAM＿ED。BR算法和ML-KNN算法运行前先对数据进行了PCA处理。根据Zhang和Zhou（2007）的方法，ML-KNN算法的近邻设置为10个。根据Zhang（2011）的方法，LIFT方法的聚类比例的值设置为0.1。所有算法的基二类分类器使用线性核LIBSVM（a library for support vec for machines）（Chang和Lin，2011）。评价指标为Macro-average（accuracy，precision，recall，Fβ），分类结果见表4。表4为5种算法在3个数据集上的分类结果。LIFT＿SAM＿ED在数据集Samson和数据集Urban上都有3个指标最优，在数据集Jasper Ridge上的表现仅次于LIFT，说明光谱角与欧几里得距离结合用于构建类属属性的方法能够提升高光谱多标签分类。LIFT与LIFT＿SAM总体表现良好，说明了LIFT类属属性构造的思想适用于高光谱多标签分类。在不同的数据集上，LIFT与LIFT＿SAM的分类结果互有优劣，说明这两种从不同角度构建类属属性的方式有各自适合的数据集。在3个数据集上，ML-kNN算法和BR算法的总体表现不佳，说明这两种算法需要通过改进才能更好地应用于高光谱多标签的分类。