38、图像分类与高光谱图像技术研究

图像分类与高光谱图像技术研究

1. SVM结合PCA的实验

1.1 实验方法

在场景分类实验中，第二次实验采用了主成分分析（PCA）这一降维技术。PCA应用于从预训练模型提取的特征上。首先，使用PCA后维度从10到500的特征对模型进行训练和测试，以此来选择最优的主成分数量K。从这些模型中，选择等错误率（EER）最小的模型作为最优模型。

1.2 实验结果

实验在RGB、RGB2Gray、SVD和修改后的去色图像等所有颜色空间上进行。从相关图表中可以看出，EER值随着主成分数量的增加而增大。

以下是第一次分割（Split - I）实验中不同模型在不同图像类型上的整体准确率和EER，以及对应的主成分数量K：
| 数据 | AlexNet(P - 205) | | | Vgg16(P - 205) | | | Vgg16(P - 365) | | |
| — | — | — | — | — | — | — | — | — | — |
| | 总体准确率(%) | EER(%) | K | 总体准确率(%) | EER(%) | K | 总体准确率(%) | EER(%) | K |
| RGB | 93.37 | 3.02 | 50 | 91.74 | 2.78 | 410 | 92.37 | 2.95 | 190 |
| RGB2Gray | 93.50 | 2.90 | 120 | 91.50 | 2.51 | 260 | 91.62 | 3.30 | 90 |
| SVD | 92.62 | 3.10 | 150 | 92.50 | 2.10 | 450 | 91.62 |