5.2.3 基于空间维的景德镇青花瓷年代分类结果分析
利用成像光谱数据的空间维构建图像数据，得到明嘉靖、明万历、明成化、清康熙四个时期的640个验证样本。
因为在第三章使用VGG16网络模型和ResNet50网络模型对不同年代景德镇真彩色图像数据进行分类的差别不大，所以本章使用VGG16网络模型和ResNet50网络模型两个模型进行验证，验证得到结果如图5.10、图5.11所示。
图5.10 VGG16网络模型对测试集分类混淆矩阵
从图5.10中可以看出，使用VGG16网络模型对经过成像光谱数据空间维构建的不同年代景德镇青花瓷测试集图像进行分类，在选取的640个测试样本集中，被正确分类的样本个数为484个，明嘉靖的测试样本总计160个，其中有120个被正确分类；明万历的测试样本总计160个，其中有115个被正确分类；明成化的测试样本总计160个，其中有130个被正确分类；清康熙的测试样本总计160个，其中有119个被正确分类。最终总体分类精度为75.63%。
图5.11 ResNet50网络模型对测试集分类混淆矩阵
从图5.11中可以看出，使用ResNet50网络模型对经过成像光谱数据空间维构建的不同年代景德镇青花瓷测试集图像进行分类，在选取的640个测试样本集中，被正确分类的样本个数为468个，明嘉靖的测试样本总计160个，其中有128个被正确分类；明万历的测试样本总计160个，其中有110个被正确分类；明成化的测试样本总计160个，其中有125个被正确分类；清康熙的测试样本总计160个，其中有105个被正确分类。最终总体分类精度为73.13%。
通过图5.12四个年代景德镇青花瓷测试集图像数量与用户精度的关系，图5.13不同年代景德镇青花瓷测试集图像数量与生产者精度的关系可以看出，VGG16网络模型在对明万历的测试样本进行分类时，生产者精度为87.79%，是所有测试样本中精度最高的一组。使用ResNet50网络模型进行分类时，明成化测试样本的用户精度为78.13%，生产者精度达到86.81%，该年代在进行分类时的生产者精度和用户精度相对会高出其他年代，说明ResNet50网络模型对明宣德的测试样本分类效果最好。同时，由于四个年代景德镇青花瓷测试集图像数量相同，通过图5.12可以看出在明万历、明成化、清康熙三个年代VGG16网络模型的用户精度普遍高于ResNet50网络模型，而通过图5.13可以看出VGG16网络模型与ResNet50网络模型在四个年代的生产者精度有高有低。
图5.12 四个年代景德镇青花瓷测试集图像数量与用户精度关系
图5.13 四个年代景德镇青花瓷测试集图像数量与生产者精度关系
图5.14为VGG16和ResNet50网络模型对成像光谱数据的空间维构建的不同年代景德镇青花瓷测试集图像进行分类后得到的F1-score，通过图5.14我们可以得到在对明嘉靖、明成化时期的测试集图像进行分类时，ResNet50网络模型要优于VGG16网络模型，在对明万历、清康熙时期的测试集图像进行分类时，VGG16网络模型要优于ResNet50网络模型，同时，VGG16网络模型和ResNet50网络模型的F1-score最小分别为76.70%和69.31%。VGG16网络模型和ResNet50网络模型的总体分类精度分别为75.63%和73.13%。证明了利用VGG16网络模型和ResNet50网络模型对经过成像光谱数据的空间维构建的不同年代景德镇青花瓷进行分类同样是可行的。
图5.14 VGG16和ResNet50网络模型分类精度对比（F1-score）