《表2 不同方法在不同图像上的实验结果对比》

  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

《基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割》

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

由表2可见，在召回率和耗时方面，EGNet表现最佳，分析认为，由于EGNet融入了区域边缘信息和图像显著性特征，对感兴趣目标的提取能力更强。虽然测试时EGNet耗时少，但其在训练时花费了25 min，如果样本更多则会训练更久。由于EGNet在本文柑橘病虫害数据集上的分割实验可见，深度学习在图像分割上有着广阔的应用前景，但是这一切都是建立在大量数据的基础上。目前柑橘类病虫害图像库少，多数研究者都是自建数据集，这给深度学习在柑橘农业方面的进一步发展带来了阻碍。本文中EGNet用于训练的图像只有一百多张，学习还未达到最优模型，这也是它其他指标较低的原因。虽然本文方法的平均召回率稍低于EGNet，但是本文方法的平均精确率与准确率却远高于EGNet，且召回率只是衡量算法性能的指标之一，需要结合其他指标进行综合评价。此外，本文方法属于无监督分割，对单张图片也能实现较好的分割效果，所以需要的硬件条件也更低。