《表3 基于特征选择的2个数据集识别结果》
利用2.1部分提取的昆虫图像纹理特征数据集,分别利用频繁出现模式、BDE和BADE方法筛选纹理特征,其识别准确性见表3。由表3可知,对利兹蝴蝶数据集和本课题收集的图像数据集,基于频繁出现模式的PROCRC算法的识别率分别为65.92%和84.55%,与原来相比分别降低了15.81%和3.63%,这说明该方法在特征选择过程中可能滤掉了部分有用的特征;基于频繁出现模式的KNN算法的识别率与原来相比则分别提升了12.64%和0.24%。BDE特征选择方法也能有效提高分类器的识别准确性,其对PROCRC算法的提升率分别为3.29%和0.68%,对KNN算法的提升率分别为9.93%和2.29%。与BDE相比,BADE更进一步提高了识别准确性,用PROCRC分类器时,其准确性分别提高了5.81%和1.66%,用KNN分类器时则分别提高了13.49%和3.09%。
图表编号 | XD00166311400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 林达坤、黄世国、张飞萍、梁光红、吴松青、胡霞、王荣 |
绘制单位 | 福建农林大学智慧农林褔建省高校重点实验室、福建农林大学生态公益林重大有害生物防控福建省高校重点实验室、福建农林大学智慧农林褔建省高校重点实验室、福建农林大学生态公益林重大有害生物防控福建省高校重点实验室、福建农林大学生态公益林重大有害生物防控福建省高校重点实验室、福建农林大学生态公益林重大有害生物防控福建省高校重点实验室、福建农林大学生态公益林重大有害生物防控福建省高校重点实验室、福建农林大学生态公益林重大有害生物防控福建省高校重点实验室、福建农林大学生态公益林重大有害生物防控福建省高校重点实验室 |
更多格式 | 高清、无水印(增值服务) |