同样采用上一节的字体数据进行实验来检验基于Hopfield神经网络的亚像元定位方法（图5-10）。分S=2和S=3两个尺度分别对原始分类图进行降采样，如图5-10（a）（d）。如果将子图像分别进行硬分类后合成，结果得到两幅分辨率差的硬分类影像图5-10（b）（e）。而采用Hopfield神经网络的亚像元定位会得到高分辨率的分类影像图5-10（c）（f）。
图5-10 字体处理的各个影像
利用分类正确率的百分比和Kappa系数来估计亚像元的精度，同时从视觉上通过与原始分类影像图进行比较，对以上实验结果进行分析。从表5-3和表5-4中的PCC 值和Kappa系数结果得知，利用Hopfield神经网络，采用空间邻域的关系求解亚像元，来代替原像元的值，是一个比较有效的方法，两种方法的精度分别提高了5%左右，对于原始像元的信息估计比较准确；从目视效果上来看，图5-10在字体图像中直接硬分类得到的是一个模糊的字体，在真实影像的分类图中，直接的硬分类得到的是一幅模糊的分类影像，丢失了一部分信息，而且分辨率低，所分析的区域形状特征几乎完全消失，这与原始分类图像比较，存在很大的误差，而且尺度越大，信息丢失的情况越明显。运用Hopfield神经网络定位可以较好地对图像进行修复，基本上弥补了丢失的信息，使图像能够在一定程度上恢复到原始分类影像的模样，误差也比较小。对S=2和S=3两种尺度情况比较来看，尺度为3的精度要略高于前一种，这无论在表中还是在图像上面都有反映，由于尺度为3的方法中取了亚像元更多的邻近像元信息，因此对亚像元的估计要精确一些。(www.xing528.com)
表5-3 对字体的分类评价（S=2）
表5-4 对字体的分类评价（S=3）
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
