Indian Pine Site 資料集的實驗結果

壹、實驗結果一 

此實驗設計要探討SC 對於未經過排列的相關矩陣圖 5-2（a）的影響。圖 5-2

（b）至圖 5-2（d），為使用 SC 後，依照其隸屬度值之大小來重排後之相關矩陣，

其中頻譜之分群數分別設為2，3 與 4。很明顯可以發現，圖 5-2（b）為的確可以 分成二個大區塊，圖5-2（c）為分成三個大區塊，圖 5-2（d）為分成四個大區塊。

由圖5-2（a）可觀察到相鄰或是相近的光譜特徵之間具有非常高的相關性，因此，

對角線的亮度會比非對角線的亮度來的高。可是有一些非對角線的區塊的部分也 是亮的，這是不是表示非鄰近的頻譜特徵也會具有高的相關性。從圖5-2（b）至 圖5-2（d）可看出這些具有高相關性的特徵經過減低特徵給定的區塊排列之後也 可以發現對角線的亮度很明顯的比非對角線的亮度來的高。在接下來的二個實驗 中，本研究試圖將隸屬度值結合這些相關性較高的特徵，並得到新的降維空間。

圖5-2（a） 圖5-2（b）

圖5-2（c） 圖5-2（d）

圖5-2（a）-（d）為未排列與已排列之相關矩陣

貳、實驗結果二 

本研究說明了在特徵萃取的數量和 Laplacian 矩陣的特徵值之間的關係，這 裡的KFCM 演算法參數 設為1。圖 5-3 說明 Laplacian 矩陣對應的特徵值幅度與 特徵萃取之後的分群正確率比較。圖5-3 上方的圖顯示 Laplacian 矩陣的特徵值之 遞減幅度。圖5-3 下方顯示經過特徵萃取之 CMFESC 演算法的正確率。在此實驗 中，只列出了最大的前 51 個特徵值來進行比較，因為其餘特徵值的大小是非常 接近0（<10^-4）。

在最初的幾個 Laplacian 矩陣的特徵值與特徵萃取分群之結果是相反的，一 開始如果考慮越多特徵值（使用越多的維度），分群的正確率會逐步升高，但考 慮過多的維度後，會受到Hughes Phenomenon（Hughes, 1968）的影響，分群正確 率開始明顯下降，如圖5-2 下方圖之末端所示。

圖5-3 Laplacian 矩陣對應的特徵值幅度與特徵萃取之後的分群正確率比較

參、實驗結果三 

表5-2 呈現的實驗結果為本研究所提出之 CMFESC 與不同的特徵萃取法 PCA 及ICA 分別搭配 KFCM 演算法之後在 Indian Pine Site 資料集所得之最高分類正 確率。以下僅挑選每個特徵萃取法再搭配KFCM 演算法之後最高的分群正確率來 進行分析。

由表5-2 的實驗結果可知：在 Indian Pine Site 資料集上，CMFESC 的最高分 群正確率為0.7117，標準差為 1.1110^-16；PCA 最高分群正確率為 0.6762 標準差 為0；ICA 最高分群正確率為 0.6918 標準差為 1.1110^-16。由此實驗中可看出相 較於其他的特徵萃取法，本研究中提出之方法在corn-no till 以及 soybeans-min till 類別上，與PCA 及 ICA 之特徵萃取法比較之下，有較好的的分群效果。

表5-2 Indian Pine Site 資料集分類正確率

特徵萃取 正確率 標準差 維度數

CMFESC 0.7117 1.1110^-16 2

PCA 0.6762 0 10

ICA 0.6918 1.1110^-16 3

圖5-4 Indian Pine Site 的 ground truth 影像（四類）

圖5-5 CMFESC 分群結果

圖5-6 PCA 分群結果 圖5-7 ICA 分群結果