《表2 分类器训练结果 (分类准确率, %)》

  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

单一氮水平下（N1，N2，N3，N4）n=3 000，氮水平混合时n=10 000Single nitrogen level（N1，N2，N3，N4），n=3 000；Nitrogen level mixing，n=10 000

选取Eg和Dgr为分类特征，对MTLAB R2016a自带的分类学习工具箱中SVM和KNN分类器（表1）进行训练，根据训练结果，确定适宜的分类器（表2）。结果表明，无氮水平下（N1）分类准确率均达到80%，medGSVM分类器准确率最高，为87.2%；低氮水平下（N2）各分类器准确率差异不大，均在90%左右，finGSVM分类器最为理想，准确率为92.6%；正常氮水平下（N3），几乎所有分类器准确率均达到90%，medGSVM分类器最为理想，准确率达93.5%；高氮水平下（N4），所有分类器准确率均高于90%，cubSVM分类器最为理想，准确率为93.8%；氮水平混合的情况下，weiKNN分类器最为理想，准确率为88.2%。在单一氮水平下，SVM分类器表现更为理想，有较高的准确率，而对于混合样本，KNN分类器准确率则高于SVM分类器。随着氮素水平的提高，分类准确率有所提升，并趋于稳定，例如N2较N1分类准确率提高了5.4%，N3较N2分类准确率提高了0.9%，N4较N3分类准确率仅提高了0.3%。总体而言，施氮样本（N2、N3、N4）分类准确率相近，无氮处理下植株长势较差，在均一度、颜色、大小等方面与施氮样本有鲜明差异，因此混合样本内部差异较大，分类准确率较低。