《表4 Pavia University分类结果精度对比Tab.4 Accuracy comparison of classification results at Pavia University》

  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

《采用ACGAN及多特征融合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

在2个数据集上，对ACGAN，ACGAN-CNN，ACGAN-LBP-CNN，Pixel-CNN，SVM 5种分类方法进行实验对比分析.在Indian Pines数据集上，还对比了全部类别（16类）与只保留样本数大于波段数2倍的类别（9类）这2种数据的分类结果.Pavia University数据集上的分类结果及精度对比，如表4和图12所示.由表4可知:对提取的光谱特征进行分类比直接使用原始光谱数据效果更好；而ACGAN-LBP-CNN方法，整体分类达到0.989 7，说明光谱纹理特征的融合分类效果远优于单一特征的分类效果；另外，Pavia University数据集下的Pixel-CNN也能获得较高水平的分类精度，这说明文中方法更适合用于多类别，且标记样本数较少的分类任务，对数据集较大的分类任务还需进一步优化.