面向对象结合深度学习方法的矿区地物提取

蔡祥, 李琦, 罗言, 齐建东

Surface features extraction of mining area image based on object-oriented and deep-learning method

CAI Xiang, LI Qi, LUO Yan, QI Jiandong

表2 不同方法地物分类结果的混淆矩阵

Tab.2 Confusion matrix of classification results in test region for different models

分类方法 预测地物类别 实际地物类别 Kappa系数 矿区地面 道路 车辆 建筑 总数 面向对象分类方法 矿区地面 道路 车辆 建筑 合计 786 9 44 18 857 2 35 1 0 38 14 0 14 0 28 21 6 0 50 77 823 50 59 68 1 000 0.597 8 用户精度/% 91.72 92.11 50.00 64.94 U-Net 矿区地面 道路 车辆 建筑 合计 849 2 3 3 857 5 30 0 3 38 15 0 12 1 28 46 1 0 30 77 915 33 15 37 1 000 0.626 2 用户精度/% 99.07 78.95 42.86 38.96 FCN-32s 矿区地面 道路 车辆 建筑 合计 825 10 13 9 857 1 37 0 0 38 3 0 25 0 28 16 0 0 61 77 845 47 38 70 1 000 0.805 7 用户精度/% 96.27 97.37 89.29 79.22 分类方法 预测地物类别 实际地物类别 Kappa系数 矿区地面 道路 车辆 建筑 总数 FCN-8s 矿区地面 道路 车辆 建筑 合计 833 3 13 8 857 2 36 0 0 38 8 0 19 1 28 17 0 0 60 77 860 39 32 69 1 000 0.796 3 用户精度/% 97.20 94.74 67.86 77.92 多数投票法 矿区地面 道路 车辆 建筑 合计 844 0 7 6 857 1 37 0 0 38 9 0 19 0 28 21 0 0 56 77 875 37 26 62 1 000 0.819 1 用户精度/% 98.48 97.37 67.86 72.73 打分法 矿区地面 道路 车辆 建筑 合计 845 1 6 5 857 1 37 0 0 38 10 0 18 0 28 22 0 0 55 77 877 38 24 60 1 000 0.813 8 用户精度/% 98.60 97.37 64.29 71.43