《表2 各分类模型分类结果精度》
本文在前期数据处理的基础上分别对初始无人机高光谱影像、MNF降维变换后影像(MNF)、一阶导数变换影像(FD)以及一阶导数变换后再做降维变换影像(FD-MNF)采用支持向量机分类(SVM)方法对几种影像数据进行分类处理,以实现对研究区主要农作物的精细分类.为了降低其他参数对分类结果的影像,再对每类影像分类时采用的支持向量机模型的参数都一致,选取径向基核函数(RBF)作为核函数.分类结果如图3所示,每类分类结果精度如表2所示.SVM对研究区各主要农作物的分类精度高达81%以上,对无人机高光谱影像进行降维处理以后分类精度提高2%左右.对初始影像做降维处理后选择前十个主成分再进行主要农作物的识别,一定程度上提高影像分类精度,而且大大降低了数据量,提高运算速度.由此可见,对无人机高光谱影像进行数据降维处理不失为一种可行的方法.而进行一阶导数变换后影像分类精度降低了1%~5%不等,分析原因为虽然一阶导数变换提高了某些农作物可分性,突出了一部分农作物的光谱信息,但多数农作物间光谱相似性提高,降低了大多数农作物间的可分性.
图表编号 | XD00194563000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.15 |
作者 | 张春 |
绘制单位 | 成都理工大学地球科学学院、成都理工大学国土资源部地学空间信息技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |