《表3 不同算法的分类精度》
为验证算法的整体分类效果,将本文算法整体分类结果与和传统SVM分类器和NN-SVM分类器的分类结果进行比较,结果如图9所示。用单类精度和整体精度评价分类结果,如表3所示。从图9和表3可知,传统SVM和NN-SVM提取地面点时,容易将平整的建筑物房顶等区域误分类为地面点,而本文算法通过IPTD滤波对地面点分类效果更好,分类精度为92.7%,高于传统SVM的79.2%和NN-SVM的86.5%。在地物点分类方面,从表3中可知,NN-SVM的分类精度全面优于传统SVM,并且耗时更短。本文算法基于双层NN-SVM分类地物点,分类准确性与NN-SVM相比,植被点分类精度从87.4%提升至91.6%,建筑物点分类精度由88.2%提升至93.3%,本文算法总体分类精度为92.6%,高于其他两种算法,分类效果更优。在耗时方面,本文算法采用多层分类策略,总耗时比NN-SVM多,但是基于分类速度快的NN-SVM分类器,所以比传统SVM耗时更少。
图表编号 | XD0066618400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.25 |
作者 | 释小松、程英蕾、赵中阳、秦先祥 |
绘制单位 | 空军工程大学信息与导航学院、空军工程大学信息与导航学院、空军工程大学信息与导航学院、空军工程大学信息与导航学院 |
更多格式 | 高清、无水印(增值服务) |