《表5 先验知识辅助采集样本对模型分类精度的提升》

  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

《融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法》

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

为进一步讨论本文样本采集方案的分类效果，本节在统一影像数据基础上，设计常见的棋盘切片式和四叉树划分式样本采集方案[43]，对比提出的融合先验知识的样本采集方案，获得的样本图斑均由DRN模型分类。棋盘切片式采集方式将影像网格化处理，把现实地物视为规则化分布，故采样窗口中包含大量异类样本单元，影响样本质量。四叉树划分采集方案本质为区域性的影像单元裂变、合并，其采样窗口的变化是在满足一定阈值下的整体变化，难以根据特性空间特征进行针对性调整。同时传统采样方案仅可用于样本采集位置的选择，对异常区域处理、多尺度样本采集和样本特征选择方面均未涉及，因此获得的样本质量较低，并不适用于地表情况复杂的遥感影像样本提取工作。不同方案的分类结果如图7所示，本文方案从融合不精准先验知识出发，综合设计各个采集步骤，相较传统样本采集方案，获得的样本类型特征更显著，模型分类总体精度和各类型分类精度均有明显提高，表明本文方案更适用于LULC影像样本提取和分类工作。