Indian Pine site 資料集實驗結果

、圖 5-1，該實驗的作法是利用

數加權特徵萃取法均分別嘗試萃取 5、10、15 及 20 個特徵，10 個資料

集的平均分類辨識率如表 5-1、表 3。

五章 實驗結果

第一節 Indian Pine site 資料集實驗結果

在作為比較基準的實驗中，相同 Indian Pine site 資料集的實驗結果被用來當 作本實驗的比較基準，該研究的實驗結果見表 2-1

全部 2521 個樣本進行線性區別分析，並將資料轉換到一個五維的特徵空間中，

再取出 1%的樣本作為訓練樣本。

為了探討所萃取的特徵數的影響，將本研究的半監督式線性區別分析與半監 督式無參

2、圖 2、圖

5-0.5 0.55 0.6 0.65 0

DAFE+ALOOC DAFE+ALOOC-EXACT

ABLOOC2 DAFE+ABLOOC-EXACT

0.7 .75

DAFE+

Initial Final

圖 5-1 adaptive classifier(Jackson & Langrebe, 2002)實驗結果

表 5-1 SLDA 下的平均辨識率

Number of features

與 A1~A3 演算法在不同特徵空間

Algorithm Initial5 10 15 20

SLDA 0.692 0.7320.736 0.740 0.744 A1 0.729 0.729 0.784 0.838 0.821

A2 0.729 0.729 0.782 0.833 0.810 A3 0.729 0.729 0.778 0.837 0.792

0.650 0.700 0.750 0.800 0.850

Initial 5 10 15 20

SLDA A1 A2 A3

圖 5-2 SLDA 與 A1~A3 演算法在不同特徵空間下的平均辨識率

在 SLDA 與 A1~A3 的比較上，SLDA 雖在迭代後辨識率有上升，但增加萃取 維度之後，SLDA 辨識率增加的相當有限；相對來說 A1~A3 三種方法，在只有萃

取 5 個維度 升的相當

明顯，其中又以維度為 15 時的辨識率最佳。

萃取維度數

時辨識率並不會上升，但只要增加萃取的維度數，辨識率上

表 5-2 SLDA 與 B1~B3 演算法在不同特徵空間下的平均辨識率

Number of features AlgorithmInitial 5 10 15 20

SLDA 0.692 0.732 0.736 0.7400.744 B1 0.729 0.729 0.790 0.8190.793 B2 0.729 0.729 0.782 0.8320.810 B3 0.729 0.729 0.782 0.8470.798

0.650 0.700 0.750 0.800 0.850

Initial 5 10 15 20

SLDA B1 B2 B3

萃取維度數

圖 5-3 SLDA 與 B1~B3 演算法在不同特徵空間下的平均辨識率

另外 A 特徵

在視覺上的表現方面，下面是地圖的原始資料如圖 5-6，地面實際狀況如圖 5-7，作為比較基準的是無參數加權特徵萃取法，相比較的是半監督式無參數加權 特徵萃取法。

圖 5-6 地圖原始資料

始的無參數加權特徵萃取法。甚至在部分錯誤率相當高的部 份，半監督式無參數加權特徵萃取法仍可以修正初始時的錯誤。

無參數加權特徵萃取法與半監督式無參數加權特徵萃取法辨識結果如圖 5-8、圖 5-9，可以發現半監督式無參數加權特徵萃取法的辨識結果在視覺上的效 果也是明顯優於原

圖 5-8 使用 NWFE 辨識結果

圖 5-9 使用 B3 演算法辨識結果

圖 5-10 corn-notill 類別分類結果局部放大比較圖

圖 5-12 Grass/Pasture 類別辨識結果局部放大比較圖

圖 5-10、圖 5-11、圖 5-12 則是局部放大比較圖，可以發現在 corn-notill、

Woods、Grass/Pasture 等類別上，右邊的半監督式無參數加權特徵萃取法的結果 與左邊的地面實際情況均較為相近。

在圖 5-12 中可以發現，半監督式無參數加權特徵萃取法甚至可以完全修正無 參數加權特徵萃取法在辨識時的錯誤，當然在左側中部可以發現 Grass/Pasture 仍 有部分錯誤，但與無參數加權特徵萃取法相比已經有所改進。

綜合以上實驗結果，可見加入半監督式樣本的半監督式無參數加權特徵萃取 可以增進無參數加權特徵萃取法之效果。