《表4 不同算法的总体分类准确度（Indian Pines数据集）》

  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

《一种新的空谱联合高光谱图像分类方法》

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

表3为不同算法在不同地物类别上的分类准确度，表4为不同算法的总体分类准确度，表3和表4中粗体表示所有分类算法中的最高分类准确度。从表3和表4易看出，利用空间信息的ODSF、3D-SVM、SVM-MRF和3D-SVM-MRF分类准确度明显高于只利用光谱信息的SVM和LDA-SVM。从总体分类准确度、平均分类准确度和Kappa系数这3个评判标准上来看，ODSF均高于其他算法，ODSF的OA、AA和k分别为85.39%、91.57%和83.46%。ODSF方法比3D-SVM-MRF、SVM-MRF和3D-SVM在整体分类准确度上分别大约提高5%、3%和14%，在平均精度上分别大约提高了3%、7%和10%，在Kappa系数上分别大约提高了5%、15%和15%。从各地物类别的分类准确度来看，ODSF在16类当中有10个地物类别分类准确度均高于其他算法，其中在第1、2、11和15类别中的分类准确度提升明显。在计算时间上，SVM与LDA-SVM明显小于其他利用空间信息的方法。ODSF大约是3D-SVM-MRF的1/4，这说明在3D-DWT之前应用OLDA对高光谱图像进行降维处理，可大大减少3D-DWT成15倍增加特征为后续分类带来的计算负担；与3D-SVM相似，比SVM-MRF大约多10s。