《表3 本文模型与单一光谱和纹理模型的分类结果对比》

  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

《太湖流域果树提取的光谱和纹理特征选择研究》

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

苏州市林业站提供的2017年金庭镇果树种植面积为24.46 km2，通过本文遥感监测方法提取得到的果树种植面积为23.30 km2，果树的提取精度为95.23%。基于验证样本得到的混淆矩阵如表3所示，其中总体分类精度为89.57%，Kappa系数为89.00%，果树的生产精度为90.00%，用户精度为87.30%，果树的错分率和漏分率分别为10.10%和12.70%。为定量比较不同特征的分类精度，将单一光谱特征模型（光谱特征模型）、单一纹理特征模型（纹理特征模型）、光谱结合纹理特征即本文模型分别对影像进行分类。其中，单一光谱特征模型是仅利用地物的光谱信息进行地物分类，常用的方法有最大似然法、马氏距离、神经网络和支持向量机等，本文选用支持向量机法，利用GF-2影像的Band1至Band4 4个波段灰度值借助ENVI软件进行分类。单一纹理特征模型与此类似，只是在分类时使用Band1至Band4的每个波段的均值、方差、均一性、对比度、相异性、信息熵、二阶矩、相关性，共32个纹理变量参与分类。此32个纹理变量由ENVI软件计算而得，纹理窗口大小均设置为15×15。然后，根据纹理特征模型以及光谱特征模型的分类结果，利用验证样本计算混淆矩阵结果如表3所示。就总体分类精度而言，在单一特征模型中光谱特征及纹理特征模型总体分类精度近似相等，分别为78.92%和77.53%。而本文模型的总体分类精度为89.57%，精度分别提升了10.65%和12.04%。不论是果树的生产精度还是用户精度，本文提出的决策树精度最高，表明果树的漏分误差和错分误差达到了最小。