《表1 0 Salinas数据集的分类结果》

  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

《结合未标签样本和CNN的高光谱遥感图像分类》

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

%

1)Salinas数据集分类结果。表10是3种分类算法在Salinas数据集上的分类结果，图5为对应的分类结果图，可以看出本文所提出的算法取得了较好的分类性能。三维卷积神经网络具有同时提取深光谱-空间信息的特点，相较于3D-CNN、GLCM-CNN在原始高光谱图像中提取纹理特征，进一步增强了空间信息，取得了较好的分类结果。而本文方法在保留标签样本光谱-空间信息的基础上，通过引入近邻的未标签样本的纹理特征，提高了随机抽取训练样本过程中的样本质量，同时提取标签样本与未标签样本的深层特征，增强了训练样本信息的多样性。表10中，本文方法取得了更高的分类精度值，相较于3D-CNN、GLCM-CNN，整体分类精度分别提高了4.92%、2.52%，Kappa值分别提高了5.45%、2.89%。对于类别8、9、10，本文方法比GLCM-CNN分别提高了3.71%、2.38%、1.31%。另外，本文方法OA的标准差为0.445 8，相较于3D-CNN和GLCM-CNN，本文方法的整体分类结果离散程度较小，体现了该方法的稳定性，表明未标签样本信息的引入有效降低了噪声样本在训练过程中产生的影响。