《表3 施氮样本分类训练结果》

  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

《基于超像素分割的田间小麦穗数统计方法》

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

根据上述分析结果，在训练样本中排除极端的无氮样本，对其余混合样本进行K-means聚类，建立具有代表性的混合样本集用于分类器训练。根据训练结果（表3），综合考虑总体分类准确率和穗部分类准确率，选择wei KNN分类器用于识别麦穗，对麦穗识别结果进行自动穗数统计（图8）。与直接混合所有氮水平的统计结果（图7-e）相比，统计效果明显改善，计数准确率由84.6%提高到了92.9%，穗数统计值与实测值相关性也有明显改善，R2由0.15提高到了0.71。因此，在施氮区域可以忽略氮水平差异进行的麦穗识别统计，统计结果较为可靠。