高光譜影像資料集

在高光譜遙測影像資料集（表 5-3-1、表 5-3-2 所示）亦可以得到類似於第一 節 UCI 資料集與第二節教育資料集的實驗結果。

表 5-3-1

Pavia University Scene 影像資料集之平均分類正確率

資料集 維度 實驗方法 分類器 分類正確率(維度數)

Pavia University Scene

103

方案二

RBF SVM 0.7622 FRBF SVM 0.7711

KFS+SVM 0.7989（52）

方案三

RBF SVM 0.8356 FRBF SVM 0.8556 KFS+SVM ^0.8878

（39）

由表 5-3-1 可知，Pavia University Scene 影像資料集在方案二的實驗結果中，

使用 KFS+SVM_RBF 所得到的分類結果，其最高正確率為 0.7989，使用 SVM_RBF 的分類正確率為 0.7622，使用 SVM_FRBF 的分類正確率為 0.7711，顯示 Pavia University Scene 影像資料集在方案二中使用 KFS+SVM_RBF 能得到較好的分類 結果。

而 Pavia University Scene 影 像 資 料 集 在 方 案 三 的 實 驗 結 果 中 ， 使 用 KFS+SVM_RBF 所得到的分類結果，其最高正確率為 0.8878，使用 SVM_RBF 的 分類正確率為 0.8356，使用 SVM_FRBF 的分類正確率為 0.8556，顯示 Pavia

University Scene 影像資料集在方案三中使用 KFS+SVM_RBF 能得到較好的分類 結果。

由實驗結果顯示，Pavia University Scene 影像資料集在方案二與方案三中，

使 用 KFS+SVM_RBF 所 得 到 的 分 類 正 確 率 皆 高 於 使 用 SVM_RBF 與 使 用 SVM_FRBF 所得的分類正確率，可證明在此實驗中使用本研究提出之 KFS 搭配 RBF 核函數之支撐向量機能得到較好的分類效能。

且由表 5-3-1 也可得知，Pavia University Scene 影像資料集在方案三中使用 SVM_RBF、SVM_FRBF 與 KFS+SVM_RBF 所得到的分類正確率皆高於方案二 中的分類正確率，方案三是使用 40 個訓練樣本，而方案二是使用 10 個訓練樣本，

顯示提高訓練樣本數量也有助於提升分類正確率。

圖 5-3-1 Pavia University Scene 資料集在方案二下，SVM_RBF、SVM_FRBF 與 KFS+SVM_RBF 的分類正確率，其中 SVM_RBF 與 SVM_FRBF 為使用全部特徵(103 維度)的分類正確率，即與表 5-3-1 相同

0.7989

0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 101

辨識正確率

特徵數

SVM_RBF SVM_FRBF KFS+SVM_RBF

圖 5-3-1 為 Pavia University Scene 資料集在方案二下使用各方法所得到之分 類正確率的曲線圖，其中 SVM_RBF 與 SVM_FRBF 為使用全部 103 個特徵的分 類正確率，其分類正確率皆分別為 0.7622 及 0.7711，而 KFS+SVM_RBF 則會隨 著使用不同的特徵數其分類正確率也會跟著改變。

由圖 5-3-1 中可看到，KFS+SVM_RBF 在只使用 1 個特徵時，分類的正確率 為 0.5278，但使用 7 個特徵時，分類正確率很快的上升至 0.78，之後也隨著使用 的特徵數增加其分類正確率也跟著增高，在使用 52 個特徵時達到了最高的分類 正確率 0.7989。

這結果顯示了，使用 KFS+SVM_RBF 最高的分類正確率為 0.7989，不僅高 於使用 SVM_RBF 的分類正確率 0.7622 與使用 SVM_FRBF 的分類正確率為 0.7711，且 KFS+SVM_RBF 只使用了 52 個特徵數就能達到比 SVM_RBF 與 SVM_FRBF 更好的分類效能。

圖 5-3-2 Pavia University Scene 資料集在方案三下，SVM_RBF、SVM_FRBF 與 KFS+SVM_RBF 的分類正確率，其中 SVM_RBF 與 SVM_FRBF 為使 用全部特徵(103 維度)的分類正確率，即與表 5-3-1 相同

0.8878

0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 101

辨識正確率

特徵數

SVM_RBF SVM_FRBF KFS+SVM_RBF

圖 5-3-2 為 Pavia University Scene 資料集在方案三下使用各方法所得到之分 類正確率的曲線圖，其中 SVM_RBF 與 SVM_FRBF 為使用全部 103 個特徵的分 類正確率，其中分類正確率分別為 0.8356 及 0.8556，而 KFS+SVM_RBF 則會隨 著使用不同的特徵數其分類正確率也會跟著改變。

由圖 5-3-2 中可看到，KFS+SVM_RBF 在只使用 1 個特徵時，分類的正確率 為 0.5611，但使用 3 個特徵時，分類正確率很快的上升至 0.8166，之後也隨著使 用的特徵數增加其分類正確率也跟著增高，在使用 39 個特徵時達到了最高的分 類正確率 0.8878。

這結果顯示了，使用 KFS+SVM_RBF 最高的分類正確率為 0.8878，不僅高 於使用 SVM_RBF 的分類正確率 0.8356 與使用 SVM_FRBF 的分類正確率為 0.8556，且 KFS+SVM_RBF 只使用了 39 個特徵數就能達到比 SVM_RBF 與 SVM_FRBF 更好的分類效能。

表 5-3-2

Indian Pine Site 影像資料集之平均分類正確率

資料集 維度 實驗方案 分類器 分類正確率(維度數)

Indian Pine Site 220

方案二

RBF SVM 0.6150 FRBF SVM 0.6775

KFS+SVM 0.7050（34）

方案三

RBF SVM 0.7508 FRBF SVM 0.7892

KFS+SVM 0.8167（124）

由表 5-3-2 可知，Indian Pine Site 影像資料集在方案二的實驗結果中，使用 KFS+SVM_RBF 所得到的分類結果，其最高正確率為 0.705，使用 SVM_RBF 的 分類正確率為 0.6150，使用 SVM_FRBF 的分類正確率為 0.6775，顯示 Indian Pine Site 影像資料集在方案二中使用 KFS+SVM_RBF 能得到較好的分類結果。

而 Indian Pine Site 影像資料集在方案三的實驗結果中，使用 KFS+SVM_RBF 所得到的分類結果，其最高正確率為 0.8167，使用 SVM_RBF 的分類正確率為 0.7508，使用 SVM_FRBF 的分類正確率為 0.7892，顯示 Indian Pine Site 影像資 料集在方案三中使用 KFS+SVM_RBF 能得到較好的分類結果。

由實驗結果顯示，Indian Pine Site 影像資料集在方案二與方案三中，使用 KFS+SVM_RBF 所得到的分類正確率皆高於使用 SVM_RBF 與使用 SVM_FRBF 所得的分類正確率，可證明在此實驗中使用本研究提出之 KFS 搭配 RBF 核函數 之支撐向量機能得到較好的分類效能。

且 由 表 5-3-2 也 可 得 知 ， Indian Pine Site 影 像 資 料 集 在 方 案 三 中 使 用 SVM_RBF、SVM_FRBF 與 KFS+SVM_RBF 所得到的分類正確率皆高於方案二 中的分類正確率，方案三是使用 40 個訓練樣本，而方案二是使用 10 個訓練樣本，

顯示提高訓練樣本數量也有助於提升分類正確率。

圖 5-3-3 Indian Pines Site 資料集在方案二下，SVM_RBF、SVM_FRBF 與 KFS+SVM_RBF 的分類正確率，其中 SVM_RBF 與 SVM_FRBF 為使 用全部特徵(220 維度)的分類正確率，即與表 5-3-2 相同

圖 5-3-3 為 Indian Pine Site 資料集在方案二下使用各方法所得到之分類正確 率的曲線圖，其中 SVM_RBF 與 SVM_FRBF 為使用全部 220 個特徵的分類正確 率，其分類正確率分別為 0.6150 及 0.6775，而 KFS+SVM_RBF 則會隨著使用不 同的特徵數其分類正確率也會跟著改變。

由圖 5-3-3 中可看到，KFS+SVM_RBF 在只使用 1 個特徵時，分類的正確率 為 0.3733，但使用 20 個特徵時，分類正確率很快的上升至 0.6433，之後也隨著 使用的特徵數增加其分類正確率也跟著增高，在使用 34 個特徵時達到了最高的 分類正確率 0.705。

這結果顯示了，使用 KFS+SVM_RBF 最高的分類正確率為 0.705，不僅高於 使用 SVM_RBF 的分類正確率 0.6150 與使用 SVM_FRBF 的分類正確率為 0.6775，

且 KFS+SVM_RBF 只使用了 34 個特徵數就能達到比 SVM_RBF 與 SVM_FRBF 更好的分類效能。

0.7050

0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75

1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 145 153 161 169 177 185 193 201 209 217

辨識正確率

特徵數

SVM_RBF SVM_FRBF KFS+SVM_RBF

圖 5-3-4 Indian Pine Site 資 料集 在 方 案 三 下， SVM_RBF 、 SVM_FRBF 與 KFS+SVM_RBF 的分類正確率，其中 SVM_RBF 與 SVM_FRBF 為使 用全部特徵(220 維度)的分類正確率，即與表 5-3-2 相同

圖 5-3-4 為 Indian Pine Site 資料集在方案三下使用各方法所得到之分類正確 率的曲線圖，其中 SVM_RBF 與 SVM_FRBF 為使用全部 220 個特徵的分類正確 率，其分類正確率分別為 0.7508 及 0.7892，而 KFS+SVM_RBF 則會隨著使用不 同的特徵數其分類正確率也會跟著改變。

由圖 5-3-4 中可看到，KFS+SVM_RBF 在只使用 1 個特徵時，分類的正確率 為 0.4208，但使用 21 個特徵時，分類正確率很快的上升至 0.7108，之後也隨著 使用的特徵數增加其分類正確率也跟著增高，在使用 124 個特徵時達到了最高的 分類正確率 0.8167。

這結果顯示了，使用 KFS+SVM_RBF 最高的分類正確率為 0.8167，不僅高 於使用 SVM_RBF 的分類正確率 0.7508 與使用 SVM_FRBF 的分類正確率為 0.7892，且 KFS+SVM_RBF 只使用了 124 個特徵數就能達到比 SVM_RBF 與 SVM_FRBF 更好的分類效能。

0.8167

0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85

1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106 113 120 127 134 141 148 155 162 169 176 183 190 197 204 211 218

辨識正確率

特徵數

SVM_RBF SVM_FRBF KFS+SVM_RBF

圖 5-3-5 為 Indian Pine Site 影像資料集在方案三中，SVM_RBF 之分類結果

圖 5-3-6 為 Indian Pine Site 影像資料集在方案三中，SVM_FRBF 之分類結果

圖 5-3-7 為 Indian Pine Site 影像資料集在方案三中，

KFS+SVM_RBF 之分類結果

圖 5-3-5、圖 5-3-6 與圖 5-3-7 所呈現的是 Indian Pine Site 影像資料集在方案 三中，使用 SVM_RBF、SVM_FRBF 與 KFS+SVM_RBF 所得到之最高分類正確 率所繪出的分類結果圖。比較圖 5-3-5 與 5-3-6，可以看出 SVM_FRBF 在 Hay-windrowed 與 Wheat 的分類效果比 SVM_RBF 好。比較圖 5-3-5 與 5-3-7，可以看 出 KFS+SVM_RBF 在 Corn 與 Grass-trees 的分類效果比 SVM_RBF 好。而比較圖 5-3-6 與 5-3-7，可以看出 KFS+SVM_RBF 在 Corn-notill 與 Corn-mintill 的分類效 果比 SVM_FRBF 好。

由表 5-3-2 與圖 5-3-5、圖 5-3-6 和圖 5-3-7 可以發現，使用 FRBF 核函數的 分類正確率比起使用 RBF 核函數來的好，但搭配了 KFS 特徵選取法的分類正確 率又優於只使用 RBF 或 FRBF 核函數的分類正確率。