《表2 地表水体提取结果“噪声”统计表》

  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

《复杂环境下高分二号遥感影像的城市地表水体提取》

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

根据广州和武汉2个研究区的实验结果（图4、图5、图6、图7）、分类Kappa系数和总体精度（图8和表1）以及误分和漏分误差率（图9）可知:（1）本文提出的RFCM算法的Kappa系数和总体分类精度高于其他的算法，误分和漏分误差率低于其他算法。武汉地区的Kappa系数和总体分类精度要高于广州地区，武汉地区的误分误差率和漏分误差率低于广州地区。其中广州地区K a p p a系数为89.88%，武汉地区Kappa系数为92.49%，广州地区总体分类精度为89.14%，武汉地区的总体分类精度为92.58%，广州地区的误分误差率为2.59%，武汉地区的误分误差率为2.12%，广州地区的漏分误差率为12.71%，武汉地区的漏分误差率为9.03%。（2）考虑区域空间信息的方法（MFCM和RFCM）和面向对象的方法（OBIA）的分类精度要高于基于像素的方法（K-Means）和水体指数阈值方法（TH），并且具有较低的误分误差率和漏分误差率。其中，武汉地区，RFCM的Kappa系数比OBIA、MFCM8和MFCM16分别高1%、1.6%、1.2%，RFCM的总体分类精度（OA）比OBIA、MFCM8和MFCM16分别高3.87%、5.81%、4.49%，RFCM的误分误差率比O B I A、M F C M 8和M F C M 1 6分别低0.2 6%、0.61%、0.6%，RFCM的漏分误差率比OBIA、MFCM8和MFCM16分别低2.66%、4.66%、1.56%；广州地区，RFCM的Kappa系数比OBIA、MFCM8和MFCM16分别高0.2%、2.4%、0.6%，RFCM的总体分类精度（OA）比OBIA、MFCM8和MFCM16分别高3.3%、5.84%、4.13%，RFCM的误分误差率比OBIA、MFCM8和MFCM16分别低0.14%、0.78%、0.36%，RFCM的漏分误差率比OBIA、MFCM8和MFCM16分别低2.2%、4.71%、3.08%。（3）从广州和武汉2个实验区的局部放大图（图5和图7）可知，OBIA方法比K-Means和TH方法更好地保持了地物对象的完整性，RFCM、MFCM算法的既保持了地物对象的完整性又较好地保留了地物的局部细节，RFCM算法相对其他几种（OBIA、K-Means、TH、MFCM8和MFCM16）算法，有效识别了细小的地表水体，较好地保持了地表水体的边界信息，同时消除城区建筑物阴影的影响。（4）实验中采用文献（Yang等，2015）改进型的FCM算法并考虑规则的不同窗口大小的邻域区域，实验结果表明不同邻域区域的大小影响水体提取精度，在武汉地区，MFCM16的Kappa系数比MFCM8高0.4%，MFCM16的总体分类精度比MFCM高1.32%，MFCM16的误分误差率比MFCM8低0.01%，MFCM16的漏分误差率比MFCM8低3.1%；在广州地区，MFCM16的Kappa系数比MFCM8高1.8%，MFCM16的总体分类精度比MFCM高1.71%，MFCM16的误分误差率比MFCM8低0.42%，MFCM16的漏分误差率比MFCM8低1.63%。本文提出的RFCM方法采用像素邻域区域的光谱异质性确定区域大小，比MFCM方法在理论上具有一定的优势。（5）对实验结果的“胡椒盐”现象进行了定量统计，定义水体面积小于9 m2为斑点噪声。从表2和图10可知RFCM算法与其他的算法相比，明显消除地表水体提取的“椒盐现象”。在6种算法对比实验中，TH效果最差，存在大量的噪声斑点，由于高分辨率数据的“同物异谱，同谱异物”现象，造成大量的孤立噪点；K-means算法优于TH算法；MFCM8和MFCM16算法；再次是MFCM算法明显降低了地表水体的“噪声”斑点，证明了像素邻域的空间信息对水体“噪声”斑点有一定的抑制作用；OBIA算法又要优于MFCM8和MFCM16；RFCM算法获得最好的实验结果，对减少“椒盐现象”效果显著。