为了大规模应用自动植物表型和机器学习方面近期取得的成功，设计高效和通用的算法势在必行，以此将农田智能分割成小而可操作的部分，然后由更复杂的算法进行处理。在本文中，我们注意到这个问题的当前状态与一种常用的基于密度的聚类算法Quickshift之间的相似性，并利用这种相似性，提出了一些新颖的具体应用算法，旨在产生一个通用和可扩展的植物分割算法。

在玉米地的点云上运行时地面密度 Quickshift++ 的结果

投影到地平面的植物点云上的密度函数的可视化

结果发现，本文提出的新算法在保持相同算法时间复杂度的同时，对输入参数的敏感性较低，在定量上优于现有算法。应用该算法于实地表型系统时，可以大大提高结果的准确性，同时确保性能和可伸缩性不受影响。

部分 St. Paul V3 数据的定性结果

来源：

Henry J. Nelson and Nikolaos Papanikolopoulos. Pre-Clustering Point Clouds of Crop Fields Using Scalable Methods.