Washington DC Mall 資料集

實驗依據本研究提出的半監督式特徵萃取演算法，因針對未知樣本權重的 定義不同，可分為「鄰居系統結合空間資訊之線性區別分析(SLDA_MRF)」、「後 驗機率結合空間資訊之線性區別分析(SLDA_GC) 」、「距離測度結合空間資訊 之線性區別分析(SLDA_kNN) 」，以下分別說明其在 Washington DC Mall 資料 集上的實驗結果。

壹、鄰居系統結合空間資訊之線性區別分析

表5-3 所呈現的實驗數據為本研究所提出的 SLDA_MRF 與不同的特徵萃取 技術分別搭配三種單一分類器，在三個case 下所得到的最高分類正確率，其中 括號內的數字表示萃取的維度數。以下為了方便說明實驗的結果，所以僅挑選 每個特徵萃取法搭配任一分類器中最高的分類正確率來進行效能的分析，而在 表格中以灰底呈現的數字即是主要用以比較的數據，並列出使用交互驗證法來 挑選 及 的二個參數值。

由表5-3 的實驗結果可知：在 Washington DC Mall 的資料集上，LDA 最高 的分類正確率分別為64.43% (case1)、89.29% (case2)、96.29% (case3)；SDA 最 高的分類正確率分別為58.00% (case1)、75.14% (case2)、94.43% (case3)；SELF 最高的分類正確率分別為 75.86% (case1)、90.71% (case2)、94.43% (case3)；

SLDA_MRF 最高的分類正確率分別為 91.57% (case1)、92.86% (case2)、96.57%

(case3)。

表5-3 為在 Washington DC Mall 的資料集上不同特徵萃取法搭配三種單一分類 器在三個case 下的最高分類正確率

Classification Accuracy % (dimensionality) Feature

Extraction Classifier

Case 1 Case 2 Case 3 GC 47.71% (3) 86.29% (6) 96.14% (5) 1NN 64.43% (6) 89.29% (6) 95.86% (6) LDA

SVM(OAA) 63.14% (6) 89.00% (6) 96.29% (6)

GC 53.57% (6) 71.86% (6) 94.43% (5) 正確率都是這些特徵萃取法中最低的，且相較於Indian Pines Site 的資料集，SDA 在Washington DC Mall 資料集的分類效能更不理想，甚至無論是在哪個 case 上 都比LDA 的分類效果來的差，為了合理的比較準則，故 SDA 的參數值皆以預 設的來做為實驗的依據，從這僅能推測出SDA 的方法較適合用於大區域的影像 分類。

(a) LDA+1NN (case 1) (b) SDA+SVM (case 1)

(c) SELF+SVM (case 1) (d) SLDA_MRF +SVM (case 1) 圖5-10 圖(a)-(d)為 Washington DC Mall 資料集在 case1 中，分別使用不同的特 徵萃取法來搭配任一分類器的thematic maps。

(a) LDA+1NN (case 2) (b) SDA+SVM (case 2)

(c) SELF+SVM (case 2) (d) SLDA_MRF +SVM (case 2) 圖5-11 圖(a)-(d)為 Washington DC Mall 資料集在 case2 中，分別使用不同的特 徵萃取法來搭配任一分類器的thematic maps。

(a) LDA+SVM (case 3) (b) SDA+GC (case 3)

(c) SELF+SVM (case 3) (d) SLDA_MRF +1NN (case 3) 圖5- 12 圖(a)-(d)為 Washington DC Mall 資料集在 case3 中，分別使用不同的特 徵萃取法來搭配任一分類器的thematic maps。

圖5-10 到 5-12 是分別針對三個不同 case 下所呈現的實驗分類圖，其是依 據上表中灰底的最高分類正確率所繪製的圖，即每個case 皆有四張圖，分別列 出不同的特徵萃取法搭配哪種分類器具有較佳的辨識率。從分類圖中可以明顯 的觀察出，SLDA_MRF 的分類情況明顯的比任何一種特徵萃取的方法好。由實 驗中得知，即使以同樣的方式來增加相同的未知樣本數，但所搭配的特徵萃取 法不同，其結果依然有著顯著的差距，從分類圖上直觀，可以明顯看出本研究 所提的方法在分類上的效果，尤其是在Lawn 的分類上。

貳、後驗機率結合空間資訊之線性區別分析

表5-4 所呈現的實驗數據為本研究所提出的 SLDA_GC 及 SLDA_kNN 與不 同的特徵萃取法分別搭配高斯分類器及 k 最近鄰二種單一的分類器，在三個 case 下所得到的最高分類正確率，而在SLDA_kNN 的方法中，k 最近鄰是實驗在 5NN

及 15NN 的情況下，主要是想嘗試當找尋不同的鄰近個數是否對分類的正確率 類器搭配不同的特徵萃取法而言，最高的分類正確率分別為 90.86% (case1)、

92.00% (case2)、96.14% (case3)；以 k 最近鄰分類器搭配不同的特徵萃取法而言，

最高的分類正確率分別為90.71% (case1)、91.00% (case2)、95.86% (case3)。

表5-4 為在 Washington DC Mall 的資料集上 GC 及 1NN 分別搭配不同特徵萃取 法在三個case 下的最高分類正確率

Classification Accuracy % (dimensionality) Classifier Feature

Extraction Case 1 Case 2 Case 3

率的提升，並沒有任何的改善，這或許是因為己有足夠的樣本點數可用以穩定 的估計高斯分類器中所需的參數。

而以 k 最近鄰分類器搭配不同的特徵萃取法而言，SLDA_kNN 在 case1 及 case2 的情況下，其分類的正確率皆高於其他的特徵萃取法，且由實驗數據顯示 出鄰近個數5NN 的分類效果在任何 case 下，都略高於鄰近個數為 15NN 的分類 效果。其中在case3 的情況下，以 LDA 的分類效果較佳，倘若藉由調整其他三 種特徵萃取的參數，相信或許就能在大樣本的情況下，也能比LDA 具有更佳的 分類正確率。

綜觀本研究所提出的SLDA_GC 及 SLDA_kNN 二個方法，無論是搭配高斯 分類器或 k 最近鄰分類器相較於傳統的 LDA，在小樣本的情況下，都有較佳的 分類正確率，而在大樣本的情況下，LDA 的分類效果仍然略高於此二種方法；

以Washington DC Mall 的資料集而言，SELF 的特徵萃取法搭配高斯分類器，

其分類表現則不如在Indian Pines Site 的資料集上。

(a) LDA (case 1) (b) SDA (case 1)

(c) SELF (case 1) (d) SLDA_GC (case 1)

圖5-13 圖(a)-(d)為 Washington DC Mall 資料集在 case1 中，分別使用不同特徵 萃取法來搭配高斯分類器的thematic maps。

(a) LDA (case 2) (b) SDA (case 2)

(c) SELF (case 2) (d) SLDA_GC (case 2)

圖5-14 圖(a)-(d)為 Washington DC Mall 資料集在 case2 中，分別使用不同特徵 萃取法來搭配高斯分類器的thematic maps。

(a) LDA (case 3) (b) SDA (case 3)

(c) SELF (case 3) (d) SLDA_GC (case 3)

圖5-15 圖(a)-(d)為 Washington DC Mall 資料集在 case3 中，分別使用不同特徵 萃取法來搭配高斯分類器的thematic maps。

圖 5-13 到 5-15 為本研究所提出的 SLDA_GC 與不同的特徵萃取技術搭配 高斯分類器所呈現的實驗結果，針對三個不同的case 下得到的最高分類正確率 所繪製的圖，即每個case 皆有四張圖，分別是不同的特徵萃取法搭配高斯分類 器具有的辨識率。從圖中觀察可知，在case1 的情況下，SLDA_GC 的方法在分 類圖上，相較於其他的特徵萃取法，具有較為明顯的分類效果，而在 case2 下 則可從grass 的類別看出其分類的效能。

(a) LDA (case 1) (b) SDA (case 1)

(c) SELF (case 1) (d) SLDA_kNN (case 1)

圖5-16 圖(a)-(d)為 Washington DC Mall 資料集在 case1 中，分別使用不同特徵 萃取法來搭配 kNN 分類器的 thematic maps。

(a) LDA (case 2) (b) SDA (case 2)

(c) SELF (case 2) (d) SLDA_kNN (case 2)

圖5-17 圖(a)-(d)為 Washington DC Mall 資料集在 case2 中，分別使用不同特徵 萃取法來搭配 kNN 分類器的 thematic maps。

(a) LDA (case 3) (b) SDA (case 3)

(c) SELF (case 3) (d) SLDA_kNN (case 3)

圖5-18 圖(a)-(d)為 Washington DC Mall 資料集在 case3 中，分別使用不同特徵 萃取法來搭配 kNN 分類器的 thematic maps。

圖5-16 到 5-18 為本研究所提出的 SLDA_kNN 與不同的特徵萃取技術搭配 k 最近鄰分類器所呈現的實驗結果，針對三個不同的 case 下得到的最高分類正 確率所繪製的圖，即每個case 皆有四張圖，分別是不同的特徵萃取法搭配 k 最 近鄰分類器具有的辨識率。從中觀察可知，在 case1 的情況下，SLDA_kNN 的

方法直接從分類圖上，就能看出其分類的效果優於其他的特徵萃取法，但在 Water 的分類上，似乎是 SELF 的方法比較好，而 SDA 在 case1 和 case2 下，則 可以明顯的得知其分類的結果不佳。