《表3 基于小麦影像WLV和IWLV法所选的各情景下最优尺度值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种面向农业无人机影像分割的尺度参数自动确定方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

各种场景下WLV、IWLV随尺度参数值变化情况如图8所示。与玉米结果类似，在各分割场景中，随着尺度参数增大，IWLV虽有波动但先上升后下降的趋势比WLV方法更加明显。另外，在部分场景中，随尺度参数增大，WLV呈先上升后平稳甚至上升的趋势，导致所选尺度参数值偏大。以上结果表明，相对于WLV法，本研究提出的IWLV法在小麦不同场景下均能取得较稳健的结果。基于WLV法和IWLV法选定的各场景尺度值如表3所示。从表中可以看出，2种方法除N1W1所选的尺度参数相同外，在其他各分割场景中，基于IWLV所选的尺度都比WLV所选的尺度小，同样说明IWLV相对于WLV倾向把影像分割得更细。此外，可以发现随着施氮量的增加，选定的最优分割尺度整体呈增大趋势。其主要原因是施氮量小时，小麦群体长势较弱，相对于施氮量大时，小麦群体长势旺盛的影像需要设置相对小的尺度来识别。不同水分处理，小麦长势差异不显著，因此，选定的最优分割尺度没有趋势性变化。