遥感影像识别-第六章神经网络在模式识别中的应用PartⅤ详解.ppt

融合实验与分析 该试验区为典型江南低山丘陵区，地块碎小，大致可分为建设用地（包括城镇、乡村、工矿用地及交通道路用地）、水体、林地、茶园、水田、裸露地等六大类土地覆盖类型。 根据以上融合原理，针对基于Kohonen网络的融合和基于改进的Kohonen网络融合两种方法，采用MatLab 6.1语言分别进行了程序设计，对Landsat TM与SPOT-4 Pan、Landsat TM与IRS-C Pan两种不同比率的融合情况进行了实验。 融合实验与分析 基于Kohonen网络的影像融合实验（1） 基于Kohonen网络的Landsat TM与SPOT Pan之间的融合结果 水 体 建设用地 林 地 茶 园 水 田 裸露地 基于Kohonen网络的Landsat TM与IRS-C Pan之间的融合结果 基于Kohonen网络的影像融合实验（2） 水 体 建设用地 林 地 茶 园 水 田 裸露地 类 别 参考点数 分类点数 正确点数 生产者精度 使用者精度 林 地 128 107 80 62.5% 74.77% 水 体 47 40 29 61.70% 72.5% 茶 园 20 51 12 60.0% 23.53% 建设用地 101 118 50 49.50% 42.37% 裸露地 5 15 4 80.00% 26.67% 水 田 211 181 135 63.98% 74.58% 所有类别 512 512 310 ? ? 总精度：60.54% Kappa = 0.5035 基于Kohonen网络融合试验分类精度评价表－Landsat TM-SPOT Pan 类 别 参考点数 分类点数 正确点数 生产者精度 使用者精度 林 地 130 115 88 67.69% 76.52% 水 体 70 38 28 40.0% 73.68% 茶 园 22 52 15 68.18% 28.85% 建设用地 96 108 54 56.25% 50.0% 裸露地 24 49 19 79.17% 38.78% 水 田 170 150 92 52.94% 61.33% 所有类别 512 512 296 ? ? 总精度：57.81% Kappa = 0.4763 基于Kohonen网络融合试验分类精度评价表－Landsat TM-IRS-C Pan 从表中可以发现，林地和水田分类精度较高，而茶园和裸露地分类精度较低，总的分类精度分别为60.54%、57.81%，这和江南地区地块破碎有关。 从融合图中可以看出，对于裸地和建设用地两类地物较易混淆，对于茶园与水田两类地物亦难于区分，林地和水体混分较多，这与较多的山区阴影影响有关。 相对来说，Landsat TM-SPOT Pan间融合效果比Landsat TM-IRS-C Pan间融合好，这与分类精度评价结果相吻合。 基于Kohonen网络融合试验评价结果 基于改进的Kohonen网络融合实验（1） 基于改进的Kohonen网络的Landsat TM与SPOT Pan之间的融合结果 水 体 建设用地 林 地 茶 园 水 田 裸露地 基于改进的Kohonen网络的Landsat TM与IRS-C Pan之间的融合结果 基于改进的Kohonen网络融合实验（2） 水 体 建设用地 林 地 茶 园 水 田 裸露地 类 别 参考点数 分类点数 正确点数 生产者精度 使用者精度 林 地 125 85 75 60% 88.24% 水 体 61 66 47 77.05% 71.21% 茶 园 18 42 13 72.22% 30.95% 建设用地 101 116 73 72.28% 62.93% 裸露地 17 26 14 82.35% 53.84% 水 田 190 177 130 68.42% 73.45% 所有类别 512 512 352 ? ? 总精度：68.75% Kappa = 0.6032 基于改进的Kohonen网络融合试验分类精度评价表－Landsat TM-SPOT Pan 类 别 参考点数 分类点数 正确点数 生产者精度 使用者精度 林 地 137 107 94 68.61% 87.85% 水 体 63 49 36 57.14% 73.47% 茶 园 20 48 16 80.0% 33.33% 建设用地 95