《表2 高低频分量显著的10类样本分类正确率分析》

  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

《基于频带特征融合的GL-CNN遥感图像场景分类》

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

由表2可知，高频分量突出的样本图像在融合高频子带分类中正确率均不低于95%，有的类甚至达到了100%，低频分量突出的样本在低频子带分类中也取得了很高的正确率，由图6统计得出剩余的高低频分量接近的样本图像在融合高频子带分类中的平均正确率略高于低频子带3%左右，且均高于原图像，体现了低频子带与特征融合之后的高频子带在分类上的优越性。由此可见，卷积神经网络能很好的学习图像高低频子带所携带的特征信息，与其他分类方法对比结果如表3所示。