《表7 帕维亚中心数据集分类精度》

  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

《基于流形光谱降维和深度学习的高光谱影像分类》

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

各个数据集的分类结果如图7～图9所示。对Indian Pines数据集的分类结果如图7c～7h所示。所有算法对于小麦和少耕大豆表现出较好的分类结果，这2种地物形态学上呈现出规则和聚集的分布形态，能够较好地提取其空间特征，而对于免耕玉米都出现了不同程度的误分现象，其原因可能与交错种植有关。局部自适应判别分析-神经网络（locality adaptive discriminant analysisneural networks，LADA-NN）和CNN-PPF算法对于免耕大豆和玉米误分较为严重，其原因可能是地物样本太少，未能充分提取空间特征，CNN和LADA-NN算法将免耕大豆误分为少耕大豆。对于此类小样本地物，MSFC算法体现出了更好的分类结果，总体精度达到99.05，明显高于其他方法。其他5类方法总体精度分别为91.74%、93.10%、94.35%、94.39%和94.42%；Pavia Center数据集分类结果如图8c～8h所示。对比算法对于瓦片均表现出良好的分类结果，而对于水体则存在不同程度的误分现象，局部自适应判别分析-神经网络（locality adaptive discriminant analysis-neural networks，LADA-NN）、局部线性嵌入稀疏表示支持向量机（locally linear embedding sparse representation-support vector machine，LESR-SVM）和SAE将水面上的波纹误分为瓦片，CNN和CNN-PPF将其误分为沥青，其原因可能与该数据集空间分辨率较高（1.3 m）有关。对于小样本地物同样存在误分现象，局部线性嵌入稀疏表示支持向量机（locally linear embedding sparse representationsupport vector machine，LESR-SVM）和LADA-NN将沥青误分为瓦片，CNN将柏油路错分为砖路，MSFC算法对各类地物均取得了较好的分类结果，总体精度达到99.43%，对于瓦片和水体两类地物取得了极好的分类效果，精度分别为99.82%和99.89%。对比方法的总体精度分别为87.83%、93.25%、94.98%、95.38和95.69%；Pavia University数据集分类结果如图9c～9h所示，对比算法对于裸土和梅朵斯公园均存在较为严重的误分现象，其原因可能是裸土与梅朵斯公园的地表覆盖类型相近，从而表出相似的光谱特征。由于金属板的反射率较高，在空间特征上表现明显，因此各算法均取得了较好的分类结果。MSFC算法对于各类地物均有较好的分类效果，总体精度为98.90%，对比算法的总体精度分别为88.68%、94.18%、94.35%、94.87%和96.27%。