《表4 不同方法在Indian Pines数据集下的分类精度》

  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

《一种利用空谱联合特征的高光谱图像分类方法》

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

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。