《表1 Indian Pines数据样本数量》

  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

《利用残差密集网络的高光谱图像分类》

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

为了验证本文方法的合理性和有效性，采用高光谱图像数据Indian Pines数据（IN）、University of Pavia数据（UP）及Salinas数据（SA）进行验证实验。实验在计算机上基于Ubuntu系统，利用Python编程语言自主编程实现，配置为Intel Core [email protected] GHz、Nvidia GeForce GTX965M和16GB内存。Indian Pines数据是由美国AVIRIS成像光谱仪获取的印第安纳州西北部某林区的图像，图像大小为145pixel×145pixel，去除水汽吸收波段后共200个波段，波长范围为0.4～2.45μm，空间分辨率为20m。图像中共有16类地物，在实验中剔除真实样本数量较少的类别，仅保留9类地物[19]，实验中训练样本和测试样本的数量如表1所示。University of Pavia数据是由德国宇航中心ROSIS成像光谱仪获取的意大利帕维亚大学图像，图像大小为610pixel×340pixel，去除水汽吸收波段后共103波段，波长范围为0.43～0.86μm，空间分辨率为1.3m。图像共有9类地物42776个标签样本，每类地物取200个训练样本，其余作为测试样本，如表2所示。Salinas数据是由AVIRIS传感器获取的美国加州Salinas山谷地区的高光谱图像，图像大小为512pixel×217pixel，去除水汽吸收波段后共204波段，图像中共包含16类地物，其训练样本和测试样本数量如表3所示。3组数据来自不同的传感器，具有不同的空间分辨率，能够有效验证本文方法的有效性和稳定性。