《表1 基于全局自然性和视觉特征通道模型的分类混淆矩阵表》

  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

《基于自然性和视觉特征通道的场景分类》

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

在实验中，首先利用全局能量图中提取的自然性s作为场景分类的总体划分，然后再通过视觉特征的3个特征通道：颜色、强度和方向对前面得到的“自然场景”和“人工场景”进行分类，最后得到分类结果。图8中实线表示10次Gist向量直接分类得到的识别率，虚线表示使用本文提出的Gist模型得到的识别率采样分布，可见在自然-人工场景分类后，使用Gist向量特征分类结果明显好于Gist向量直接分类得到的结果。然而，虚线的稳定性明显要比实线差，同时虚线的纵轴分布空间以及波动程度均类似于自然-人工场景的分类识别率曲线图。表1为连续10次采样8个类别混淆矩阵的平均矩阵，其中左上4×4方阵与右下4×4方阵均为对角矩阵，说明了在自然-人工场景分类正确的情况下，内部的4个语义类别是可以通过视觉特征通道完全分开的；左下方阵0的数目非常少，而右上方阵0的数目相对较多，说明了自然性s容易将人工场景误报为自然场景，而自然场景却很难错分为人工场景。从理论上看，自然性s主要通过方向的优势性来判断自然或人工场景，人工场景中有很多图像也是由非水平-垂直方向占主导的，例如无限延伸的街道与公路、盘旋向上的摩天大楼等，而自然场景中却很难有水平-垂直方向占优势的场景。在混淆矩阵中，值得注意的是高速公路所在的行与列，非常容易与自然场景中海滩场景相混淆。从图5、图6的场景中可见，海滩场景与高速公路场景在颜色、方向的主导性等方面都非常类似，这也是二者容易混淆的主要原因。