《表4 Salinas数据集的纹理特征相关矩阵》

  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

CNN中包含大量待训练参数，而网络的结构直接影响训练参数的多少，结构越复杂，训练参数越多，同时需要训练出成熟稳定的模型所耗时间也就越多。本文通过GLCM算法从第一主成分波段提取8个纹理特征，其中滑动窗口的大小均为5×5。对于近邻未标签样本的空间信息，采用相关性分析的方法，去除纹理特征中相关性较大的成分。表4、表5、表6分别为Salinas、Indian、Pavia University3个数据集的纹理特征相关系数矩阵。在通过相关系数矩阵进行相关性分析时，有时需要去除冗余的变量成分。2个变量相关性较大时，可以对比变量与其他变量的相关性，保留整体相关性较小的变量。当2个纹理特征高度相关（相关系数绝对值大于0.8）时，则选择平均绝对相关性（average absolute correlation，AAC)[2]较小的纹理成分进一步研究。某一特征的AAC为该特征与其他特征（含该特征本身）的相关系数绝对值和的平均。例如，表4中，Hom（同质度）与Ent（熵）之间的相关系数为-0.931 1，Hom的平均绝对相关值为0.583 2，Ent的平均绝对相关值为0.561 9，则去除高相关成分Hom。因此最终Salinas数据集中保留的纹理成分为均值（Mea）、方差（Var）、对比度（Con）、相异性（Dis）、角二阶矩（ASM）、相关性（Cor）。Indian数据集保留的纹理成分为均值（Mea）、方差（Var）、熵（Ent）、角二阶矩（ASM）、相关性（Cor）。Pavia University数据集保留的纹理成分为均值（Mea）、对比度（Con）、角二阶矩（ASM）、相关性（Cor）。