一旦特征选择完毕，接下来就可以进行硬分类和软分类。NLR和LDA的平均分类精度见表2。通过比较NLR法选取的5个波段和全部6个波段的硬分类结果我们可以看出，这两种方法的分类精度没有太大差别。并且，3波段和6波段都与数据的分类没有相关性，这与NLR法的特征选择结果时一致的。我们还可以看出，NLR法分类精度比LDA法的高，这是由于LDA法的前提是各维数据都是正态分布并且协方差相等，而实验数据不满足这个条件。
比较这两种方法的软分类精度我们也可以得出类似的结论。值得一提的是这两种方法的软分类精度都明显高于硬分类的精度。这也可以证明基于ULR法选择的特征来进行软分类是可行并且有效的。
表 2 依据10组样本选择出的波段数以及检验样本的分类精度（括号里的值为标准差）
|
选择的波段数 |
硬分类精度 |
软分类精度 |
| 5个波段 |
6个波段 |
5个波段 |
6个波段 |
| NLR |
5 |
67.40（1.47） |
67.29（1.36） |
75.77（0.40） |
75.77（0.37） |
| LDA |
6 |
65.34（1.47） |
65.61（1.50） |
73.76（0.58） |
73.81（0.53） |
3.2 高光谱图像数据的特征选择和分类
实验数据来自美国AVIRIS多光谱扫描仪1992年在印第安纳北部一块农业区获取的220波段高光谱数据，从中筛除受大气污染严重、低信噪比的波段（104－108，150—163以及220）最终实验采用200波段高光谱数据。并且有图像获取时的土地调查图作为参考图，可以用来确定训练样本和检验样本像元所属的类。选取其中71×87像素的一块进行处理，将数据分为三种地物类。在图像上随机选取10套训练样本和检验样本。地物类别和样本数见表3。
表 3 AVIRIS图像每类的训练样本和检验将本数
| 类名 |
训练像元 |
检验像元 |
| Corn-notill |
484 |
524 |
| Soybeans-notill |
352 |
385 |
| Soybeans-min |
1006 |
941 |
| 总计 |
1842 |
1850 |
表 4 NLR法和LDA法的平均分类精度（括号里的值为标准差）
|
训练精度（％） |
检验精度（％） |
| NLR |
95.84（0.58） |
93.29（0.33） |
| LDA |
波段数与NLR法一样多时 |
所有选择的波段 |
波段数与NLR法一样多时 |
所有选择的波段 |
| 92.81（0.56） |
94.53（0.49） |
90.93（0.38） |
93.06（0.48） |
用NLR法对这10组样本数据进行特征选取，是否加入波段的限值为  ＝9.21，其中自由度为2。LDA法中，进入和移除特征波段的显著性指标都设为0.01。实验结果为：NLR法平均选出了27个波段，LDA法平均选出了58个波段。NLR法选出的特征波段数明显比LDA法少。由于缺少软分类的参考数据，没有对这组数据进行软分类。硬分类的平均精度见表4。可以看出，当 LDA法选择和NLR法一样多的波段数进行分类时,分类精度明显比NLR法低。只有当LDA法用全部选择的波段进行分类时才能达到与NLR法相当的精度。所以，虽然两种方法都可以明显减少参加分类的波段数，但是NLR法选择出的波段数比LDA法少得多（不到LDA法的一半）。这说明了与LDA法相比NLR法能更大程度地减小数据量。
4 结论
4/5 首页 上一页 2 3 4 5 下一页 尾页 |
