《表3 不同分类器的性能对比 (场景1, 多尺度) Tab.3 Performance comparison between different classifiers (scene 1, multi

  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

《多尺度特征和马尔可夫随机场模型的电力线场景点云分类法》

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

（%）

为了进一步验证本文提出的多尺度特征向量的优势，以场景1为试验对象，将单尺度与多尺度特征向量用于不同分类器中。其中，单尺度的试验结果中以尺度k1的分类结果最优，本文将其统计于表2中，并将多尺度的结果统计于表3中。对比表2和表3可见，尽管多尺度的策略在改善植被分类结果上效果不明显，但是对于电塔和电力线，其分类结果有明显改善，单地物的召回率最大可提高5%以上。图9显示了不同分类器的分类总正确率受不同尺度组合的影响，多尺度特征向量在一定程度上提高了特征向量的表达能力，改善了分类质量。表3—6显示了本文MRF_RF模型对比其他分类器的性能。在表3—6所示的4个场景中，本文模型大多数的数据要优于其他分类器。将MRF_RF模型与其他分类方法对比可得，尽管不同的方法在分类植被方面性能相当，但MRF模型具有更高的总体精度，分类电塔的优势显著。