（1）米拉贝洛5.9级地震灾区。
本节以表3.2中所有样本为例，测试MCLU-MS算法在不同特征分类过程的采样结果，旨在验证MCLU-MS算法相对于随机采样对提高灾场地物分类精度的有效性。表3.11为米拉贝洛震区运用MCLU-MS算法对不同特征分类过程中的地物样本采样结果。
表3.11 米拉贝洛震区地物样本采样结果
注：由于随机采样过程采用Matlab内置Rand函数，其采样结果与地物的特征无关，仅与地物样本的数目及其在待采样池中的顺序有关。因此，在利用特征的分类过程中各类地物样本采集的数目相等。
分析MCLU-MS算法对不同地物的采样结果发现：在利用光谱+纹理特征和光谱+纹理+几何特征对地物分类的过程中，采集植被样本的数目最少。分析原因为：上述两组特征对植被的分类精度较高，且随着采集样本数目的增加植被的分类精度变化不大。基于几何特征的分类过程中，采集墙面样本的数目最少，仅为8个，这说明墙面在分类中被错分的类别单一且数目较少，如图3.9（b）所示，仅有部分高程较大的墙面被错分为植被，其他墙面分类准确且类内均匀度高。随着MCLU-MS算法指导分类器选取了被错分的少量墙面样本后，将其所属类别进行正确标记并扩充到训练样本中得到较好的分类器参数，使得墙面地物分类精度迅速提升并保持稳定；相反，基于几何特征的分类过程中，地面和屋顶类别的样本采集数目最多，分别为165个和119个，分析原因为：虽然地面和屋顶的初始分类精度较高，分别为75.86%和89%，但是这两类地物与其他多类地物错分严重，如图3.9（b）所示，导致迭代学习过程中需要不断加入新的样本纠正SVM的训练参数，逐渐纠正其分类结果达到最优。(www.xing528.com)
（2）芦山7.0级地震灾区。
本节以表3.3中所有样本为例，测试MCLU-MS算法在不同特征分类过程的采样结果，旨在验证MCLU-MS算法相对随机采样对提高灾场地物分类精度的有效性。表3.12为芦山震区运用MCLU-MS算法对不同特征分类过程中的地物样本采样结果。
表3.12 芦山震区地物样本采样结果
与米拉贝洛震区采样的结果类似，芦山震区基于不同特征的采样结果表明，MCLU-MS算法相比随机采样方法选择碎屑样本的数量多，这种现象在基于光谱+纹理+几何特征的分类实验中尤为显著。
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。
