《表4 University of Pavia数据分类中不同分类算法的比较》

  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

《基于空谱特征的核极端学习机高光谱遥感图像分类算法》

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

通过表3和表4的对比实验结果以及图4和图5的类内分类准确率对照图可以看出，SS-KELM算法的分类性能优于其他分类算法，其原因在于SS-KELM算法在进行特征提取时，同时考虑高光谱遥感图像的光谱和空间特征，光谱特征包含用于区分不同类型的地面类别的重要信息，空间特征考虑了邻域像素之间的空间关系。本文利用局部二值模式（LBP）提取空间特征既减少了类内方差，又可以改善分类性能，同时使用矢量堆叠的方法将两种信息融合，使得特征向量包含更多信息，再将其引入到核极限学习机模型中，可以有效地提高高光谱遥感图像的分类精度，弥补核极限学习机在高光谱遥感图像分类中学习不充分、空间信息利用不充分等问题。