《表2 最大似然法分类精度验证》

  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

《卷积神经网络在高分辨率影像分类中的应用》

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

通过ENVI 5.3软件平台，在影像中对耕地、林地、水域、建设用地和未利用地分别选取训练样本区，并计算样本区之间的分离度，最大程度上提高分类的精度。具体步骤为:首先在ENVI5.3软件中打开Toolbox工具箱，选择Region of Interest下面的ROI Separability工具，将样本区和原始影像分别叠加进来进行分离度计算。本文分类度计算的具体结果为:耕地与建设用地的分类度为1.95、耕地与未利用地的分离度为1.99、耕地与水域的分离度为1.99、建设用地与未利用地的分离度为1.99、建设用地与水域的分离度为2.00、林地与耕地的分离度为1.96、林地与建设用地的分离度为1.99、林地与未利用地的分离度为1.99、林地与水域的分离度为2.00、水域与未利用地的分离度为1.99。利用选好的样本训练区，分别采用最大似然、平行六面体、传统神经网络、K-Means均值聚类对影像进行分类，分类结果如图4所示。同时为了合理评估各种分类方法在高分辨遥感影像中的实际分类效果，故通过ENVI5.3软件平台基于同样的ROI验证样区对分类结果分别进行混淆矩阵分析（表2）。从混淆矩阵中我们可以看出，传统分类方法中分类精度最高的是传统神经网络分类和最大似然分类，其Kappa系数分别为0.9817、0.9708；分类精度最低的是K-Means均值聚类和平行六面体分类，Kappa系数分别为0.5749、0.7728。