《表4 不同方法在Indian Pines数据集下的分类精度》
从图3和图4中可以看出,Log-Gabor滤波和CNN相结合的高光谱图像分类方法充分利用了高光谱图像的空间信息和光谱信息,提高了分类精度,详细的分类精度见表3和表4。在表3中,Log-Gabor滤波和CNN相结合的方法的总体分类精度、平均分类精度和Kappa系数分别为98.41%、98.05%和0.9833,比CNN具有更高的分类精度。此外,SVM方法的分类结果中出现了一些错分现象和噪点。与SVM方法相比,本文方法获得了更好的分类结果,总体分类精度、平均分类精度和Kappa系数分别比经典的SVM高12.45个百分点、8.48个百分点和0.0893。在表4中,本文方法同样比经典的SVM和CNN表现出了更高的分类精度。
图表编号 | XD00188340700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.25 |
作者 | 付青、郭晨、罗文浪 |
绘制单位 | 井冈山大学电子与信息工程学院、江西省农作物生长物联网技术工程实验室、同济大学测绘与地理信息学院、井冈山大学电子与信息工程学院、江西省农作物生长物联网技术工程实验室、井冈山大学电子与信息工程学院、江西省农作物生长物联网技术工程实验室 |
更多格式 | 高清、无水印(增值服务) |