《表2 Pavia Centre scene数据集的总体精度和平均精度、Kappa系数》

  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

《面向高光谱图像的高斯-稀疏子空间聚类算法》

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

首先，我们的算法用于Pavia Centre影像，实验运行的结果与K-means、稀疏子空间聚类（SSC）、模糊聚类（FCM）、CE和CEDW这些算法进行比较分析。从图2可以看到这些方法对Pavia Centre影像的聚类效果，可以清晰地看到我们的算法PGKC的可视图要比这5种算法的聚类效果要更好、更具体，在类别Water、Self-Blocking Bricks、Bitumen、Tiles、Shadows、Meadows上的可视图要更接近地面真值。本文提出的算法和其他算法的聚类性能评价分析如表2所示，我们利用总体精度与平均精度、kappa系数来评价算法的聚类性能；从表2中我们可以看到本文算法应用在Pavia Centre影像上聚类精度kappa系数、总体精度与平均精度达到最大值，它的总体分类精度（OA）达到了最高为87.33%，对应的Kappa系数分别为0.846 8。相比算法CE和CEDW分别增长了38.66%和26.35%，KC分别增长了0.443 5和0.317 8。