《表6 5种方法融合结果的SVM监督分类精度》

  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

《基于WT-MB方法的OLI图像融合——以宁夏回族自治区吴忠市的OLI图像和P5图像为例》

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

在定量评价时，本文从分类图像上随机抽取2 805个像元，通过目视判读每一个像元，以确认其类别归属．首先，依据对像元的判读结果和分类结果制作混淆矩阵（表4、表5），其中PCA变换融合后分类图像的生产精度分别为70.15%（耕地）、60.27%（灌木林地）、68.49%（草地）、56.72%（荒草地）、61.94%（水体）、68.61%（高照度不透水面）、58.55%（低照度不透睡眠）、45.90%（沙地）；WT-MB变换融合后分类图像的生产精度分别为86.10%（耕地）、80.11%（灌木林地）、87.14%（草地）、81.17%（荒草地）、81.98%（水体）、86.83%（高照度不透水面）、81.79%（低照度不透睡眠）、71.85%（沙地）．然后基于混淆矩阵，采用生产精度、总体精度、Kappa系数[19]评价各融合方法对应分类图像的分类精度．由表6可知:与MLT、PCA、GS、Brovey变换融合图像相比，WT-MB变换融合图像的总体分类精度分别提高了21.49%、33.37%、6.37%和12.69%，Kappa系数分别提高了27.30%、42.20%、8.09%和16.74%．可见:基于WT-MB变换方法的融合图像的分类精度更高．