《表2 各算法在Pavia University高光谱数据集上的分类结果对比》

  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

《基于多标签共享子空间学习和内核脊回归的空谱分类算法》

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

通过图4各算法在Indian Pines高光谱图像上的分类结果可知，LPP、NPE、KRR、NWFE、RLDA和SSRLDE等6种算法的分类区域虽然基本符合实际情况，但分类区域受地物相似的干扰较大，内部含有较多噪点．SSSRR、MSSRR两种分类算法较前6种算法在分类精度上有较大提升，主要是由于这两种算法不仅充分利用高光谱图像的光谱信息还将其空间信息融入分类识别中，一定程度上提高了分类精度．而本文算法不仅充分利用了高光谱图像的光谱信息，还使用子空间学习深挖各地物类别间的共有特性，进一步提升了图像的分类精度．各算法在Pavia University高光谱图像上的分类结果如表2．从表2中各算法的评价指标可以看出，本文算法在6个类别上的分类精度都高于其他同类算法，其中在总体分类精度、平均分类精度和Kappa系数上至少提高4.76%、5.69%和5.19%，其中比未核化的脊回归和多标签共享子空间的空谱分类算法（MSSRR）在总体分类精度、平均分类精度和Kappa系数上至少提高2.92%、3.04%和3.48%．各算法对Pavia University高光谱图像分类结果如图5.