CN104296696B - 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法 - Google Patents
一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法 Download PDFInfo
- Publication number
- CN104296696B CN104296696B CN201410251478.1A CN201410251478A CN104296696B CN 104296696 B CN104296696 B CN 104296696B CN 201410251478 A CN201410251478 A CN 201410251478A CN 104296696 B CN104296696 B CN 104296696B
- Authority
- CN
- China
- Prior art keywords
- canopy
- image
- shade
- lai
- shadow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法,该方法由冠层阴影自动提取技术与冠层投影分析方法两部分组成;冠层阴影自动提取技术是从植被冠层照片中自动提取阴影在照片中所占的比例,称之为阴影比,该部分具体实现有八大步骤;冠层投影分析方法是将冠层阴影自动提取技术的输出结果,即将从多个时刻即对应多个太阳入射高度角下的照片中提取的阴影比作为输入参数,即得到冠层叶面积指数与平均叶倾角;该部分的具体实现有五大步骤。本发明是利用从普通的数字照片中提取的植被阴影信息,实现植被冠层叶面积指数与平均叶倾角等结构参数的自动获取方法,具有分类方法简便,冠层分析过程自动化程度高的优点。
Description
技术领域
本发明涉及一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法,它与数字图像处理以及植被冠层分析有关,属于农业与生态学技术领域。
背景技术
植被叶面积指数(Leaf Area Index:LAI)与平均叶倾角(θL)属于植被的结构信息,它们是影响太阳辐射在冠层内进行重新分配的重要因素。因此,获取LAI和θL对于研究植被对太阳入射能量的利用能力以及植被的生长发育状态具有重要的意义。
从数字图像中提取LAI和θL是目前常用的冠层分析测量方法。根据测量仪器所采用的成像镜头的视场角大小不同,可以细分为常规视场摄影以及广角(半球)摄影。利用普通的数码相机配备常规的镜头(一般最大视场角小于60度)即构成了常规视场摄影,而广角摄影技术则是在普通的数码相机上配备广角镜头(最大视场角可以到达180度),也有人称之为半球摄影。
专利CN102538717A."叶面积指数自动观测系统及其方法"及专利CN102778212A."一种利用数码相机获取水稻冠层叶面积指数的方法及装置"的发明内容即是属于常规视场摄影技术,这些专利大都是基于单一时刻下的拍摄图像。由于利用单一时刻的常规摄影技术图像仅能提取一个观测天顶角下的冠层间隙率,因此,无法同时估算以上所述的两个冠层结构参数。专利CN101916438A."半球摄影法获取水稻冠层叶面积指数和平均叶倾角的方法"利用半球摄影法能够同时获取这两个结构参数,但是,采用半球摄影的方法一方面增加了摄影传感器的成本,另一方面,半球投影成像的方式会造成成像区域边缘部分的变形,也会带来一定的数据处理困难。用以上方法进行冠层分析的时候,对于成像的条件有特定的要求,一般要求在天空散射光远远大于直射光条件下拍摄,即在阴天、 黎明或者黄昏时间,然后对拍摄图像通过数字图像处理,得到图像的分类图。从分类图中计算冠层间隙率,并进而估算LAI和θL,而对于单一角度图像,则只能得到LAI值,并且要求用户根据植被类型,预先指定θL的经验值。也就是说,在这种条件下,难以同时获取以上两个结构参数。一般情况下,在采用上述技术进行冠层分析的时候,难以做到全自动化处理,需要人工干预图像处理的过程。本发明针对当前冠层分析过程中难以同时获取LAI和θL的困难,实现了一种利用植被冠层阴影同时提取叶面积指数与平均叶倾角方法。利用太阳在一天内的入射角度变化,通过处理不同入射条件下的冠层照片,区分照片中冠层阴影与光照面积,提取多角度冠层阴影比,利用冠层投影理论进行冠层分析。由于本发明利用了太阳多角度观测数据,可以达到同时计算冠层叶面积指数与平均叶倾角的目的。与已有公开专利相比较,本发明具有分类方法简单,冠层分析过程自动化程度高的优点,对成像硬件设备要求简单,只需要与普通数字相机相结合,就能够做到冠层结构参数的自动估算。
发明内容
1.目的:针对上述问题,本发明目的是提供一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法,它是利用从普通的数字照片中提取的植被阴影信息,实现植被冠层叶面积指数与平均叶倾角等结构参数的自动获取方法。
2.技术方案:本发明为一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法,该方法由冠层阴影自动提取技术与冠层投影分析方法两部分组成,它们之间的连接关系如图1所示。
2.1冠层阴影自动提取技术
冠层阴影自动提取技术是从植被冠层照片中自动提取阴影在照片中所占的比例,我们称之为阴影比。该部分的实现流程如图2所示,具体实现步骤如下:
步骤一:图像读入
根据图像的路径信息读取图像内容到内存,并根据图像拍摄的标记信息,提取图像的拍摄时间,包括年、月、日、时、分、秒。每次读取一天之内的所有图像。
步骤二:太阳高度角的计算
根据用户提供的照片拍摄的经纬度信息以及成像时间信息,计算成像时的太阳高度角H。
步骤三:颜色空间变换
颜色空间变换是将影像的RGB(红、绿、蓝)颜色空间转变为HSV(色调、饱和度、亮度)空间,转换的过程是通过调用MatLab软件的RGB2HSV函数来实现的。
步骤四:彩色图像灰度化
彩色图像灰度化是通过从转换后的HSV空间中提取亮度维来实现的,由于亮度维能够反映冠层照片的整体亮度情况,利用亮度变化信息比较有利于区分图像中的阴影与光照部分。
步骤五:背景阈值提取
背景阈值提取是利用大津算法自动识别图像中的阴影像素与光照像素的分割阈值来实现的。具体来说,是利用大津算法对步骤四中的灰度图像进行自动阈值提取来实现的。大津法是由日本学者大津于1979年提出的,其实现过程简述为:对于图像Image,记t为前景与背景的分割阈值,前景点数占图像比例为W0,平均灰度为U0;背景点数占图像比例为W1,平均灰度为U1。图像的总平均灰度为:U=W0*U0+W1*U1。从最小灰度值到最大灰度值遍历t,当t使得值G=W0*(U0-U)2+W1*(U1-U)2最大时,即为分割的最佳阈值。
步骤六:灰度图像二值化
灰度图像二值化是利用步骤五中通过大津法得到的图像分割阈值t,判断图像中所有像素值,像素值小于t的赋值为0,大于等于t的则赋值为1。此时得到的是一个黑白图像,其中阴影部分为黑色,光照部分为白色。
步骤七:图像形态变换
图像形态变换是对二值化的图像中被误分为植被阴影的像素进行进一步的剔除操作。上述二值化图像中,阴影部分像素不仅包括植被冠层被太阳照射之后投影下来的部分,也包括稍大些的土壤颗粒的投影所形成的阴影。但是,图像中这两种阴影在形态上有所不同。土壤阴影一般来说比较细小,在整个图像空间内呈碎屑状离散分布。对于土壤颗粒所形成的阴影,可以通过图像形态变换来消除。在本发明中,对二值化图像进行闭操作即可完成图像中土壤阴影的移除。闭 操作是通过调用MatLab软件的imclose函数来实现的。
步骤八:阴影比计算
阴影比计算是通过统计经过形态变换的图像像素值为0(阴影)的像素个数占图像全部像素个数的比例来实现的,该比例即为冠层阴影比S。
2.2冠层投影分析方法
冠层投影分析方法是将冠层阴影自动提取技术的输出结果,即将从多个时刻(对应多个太阳入射高度角)下的照片中提取的阴影比作为输入参数,即可得到冠层叶面积指数与平均叶倾角。该部分的实现流程如图3所示,具体步骤如下:
步骤一:叶倾角离散化
叶倾角离散化技术是将冠层叶倾角在0度到90度之间平均划分为N个相同的区间,N为区间个数。取每个区间的中点作为该区间上的平均叶倾角,用Aj表示(j从1到N),对应区间上的叶面积指数为LAIi。
步骤二:计算冠层投影函数
计算冠层投影函数是根据冠层阴影自动提取技术中步骤二所计算的太阳高度角数值,计算该高度角下对应于每个叶倾角区间内的叶片面积在水平地面的投影系数。按照以下公式计算:
公式(1)中,θ,h分别是叶倾角与太阳高度角,θ0=acos(tan hcotθ)。
这样,假设在一天之内获取的冠层照片为M个,即太阳高度角数值个数为M,阴影比个数也为M,则K可以计算出来,形成一个M行N列的矩阵,即
K=(Kij),i=1~M,j=1~N
(2)
步骤三:计算正则化项
计算正则化项是指对公式(3)中的H项的计算,H的作用是为了保持计算每个区间叶面积指数LAIi时求解结果稳定。计算方法如下:H是一个方阵,方阵的行列数等于叶倾角的分割区间,其主对角线上除左上角和右下角为1外, 其余为2,与主对角线相邻的元素均为-1,方阵中其它元素均为0。
步骤四:求叶倾角区间i上LAIi
根据叶片投影函数以及在“冠层阴影自动提取”技术中的“阴影比计算”模块输出的每个太阳高度角下的冠层阴影比,用公式(3)计算每个区间内的叶面积指数LAIi。
LAIi=(KTK+λH)KTS
(3)
其中λ是一个0-1之间的数值,在实际应用中需根据计算结果的实际情况进行经验性调整;H是一个正则化项,计算方法在步骤三中详细阐述。
步骤五:计算冠层LAI和平均叶倾角θL
计算冠层LAI和平均叶倾角θL方法是按照公式(4)-(6)计算。
LAI=∑LAIi
(4)
θL=∑giθi
(5)
在式(5)中
3.优点及功效:本发明一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法,其优点是:
(1)利用太阳的运行轨迹,自动获取植被冠层多角度间隙率,减少了数据处理的复杂度。
(2)利用低成本窄视场普通数字摄像模块获取植被结构参数,降低了野外实验成本。
(3)自动获取同时测量冠层叶面积指数与平均叶倾角,减少了实验人员对冠层分布类型的假设,提高了计算方法的易用性。
附图说明
图1总体技术方案流程图
图2冠层阴影自动提取技术流程图
图3冠层投影分析方法技术流程图。
图4阴影比与太阳高度角的变化关系图
图5叶倾角分割区间上的叶面积指数LAIi图
具体实施方式
下面结合附图与具体实施方式对本发明内容进一步详细说明。
见图1—图5,本发明为一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法,该方法的具体实施由从数字照片中自动提取冠层阴影信息和冠层分析方法两个技术要点组成。
技术要点一:从数字照片中自动提取冠层阴影信息。
为实现该技术要点,遵循以下操作步骤:
步骤一:读取植被冠层的数字照片到系统内存中,提取影像拍摄时间。
步骤二:根据照片拍摄的经纬度信息以及成像时间信息,计算成像时太阳高度角。
步骤三:将影像的RGB(红、绿、蓝)颜色空间转变为HSV(色调、饱和度、亮度)空间。
步骤四:从RGB到HSV转换后的影像中提取亮度维(V)将彩色图像转换为灰度图像。
步骤五:利用大津法自动识别图像中的阴影像素与光照像素的分割阈值。
步骤六:根据用大津法得到的图像分割阈值将灰度图像二值化。
步骤七:对二值化图像进行闭操作,即可移除图像中土壤阴影。
步骤八:统计经过形态变换的图像中阴影部分所占的比例来计算冠层阴影比。
下面我们以一个具体的应用实例来说明以上步骤实现的过程与结果。
实例:北京师范大学生物园冬青树植被结构参数自动提取实验
测量日期:2014年3月17日
测量时间:早上10:00到下午16:00
测量间隔:30分钟
植被类型:冬青树
数据获取情况:
按照实验设置情况,获取了实验点的12幅照片,由于当天有的时段太阳被云层以及雾霾的遮挡,获取到的能够有冠层阴影的照片为6幅(拍摄时间分别是:12:02,13:33,14:04,14:34,15:05,15:35)。
对以上6幅图像(附件1),按照上述(1)-(8)的步骤进行图像处理,输入实验地点的经纬度座标为:东经116.36°,北纬39.96°。计算得到的太阳高度角与拍摄时间的对应关系如表1所示。
表1成像时间与太阳高度角对应关系表
时间 | 12:02 | 13:33 | 14:04 | 14:34 | 15:05 | 15:35 |
高度角(度) | 48.37 | 45.69 | 42.68 | 39.01 | 34.60 | 29.87 |
分割阈值 | 95 | 103 | 106 | 97 | 105 | 103 |
阴影比 | 0.1553 | 0.152 | 0.1536 | 0.1561 | 0.1711 | 0.1907 |
其中阴影比与太阳高度角的变化关系如图4所示。
技术要点二:冠层分析方法
继续上述“北京师范大学生物园冬青树植被结构参数自动提取实验”,在该要点具体实施中,可以分为以下几个关键步骤来实现:
步骤一:叶倾角离散化
将冠层叶倾角在0度到90度之间平均离散化。在本应用实例中,我们按照15°的间隔进行划分,最小叶倾角设定为2.5°,最大叶倾角设定为90°,则划分的叶倾角分割区间分别是:[2.5°,17.5°]、[17.5°,32.5°]、[32.5°,47.5°]、[47.5°,62.5°]、[62.5°,77.5°]和[77.5°,90°]。对应的区间中心叶倾角分别为10°、25°、40°、55°、70°和85°。
步骤二:计算冠层投影函数
根据表1中的太阳高度角数值以及上述叶倾角区间的中心角度,计算植被冠层在水平地面的投影系数。计算结果如
表2所示。
表2投影系数计算结果表
步骤三:计算正则化项
根据观测角度个数以及正则化项计算方法,得到一个6行6列的方阵,即为正则化项,如公式(7)所示。
步骤四:求叶倾角区间i上LAIi
求解每个分割区间上的叶面积指数LAIi。将表1中的阴影比S、太阳高度角SH以及表2中的投影系数K和公式(7)中的正则化项H带入公式(3),并取λ=0.6即可求得LAIi,如图5所示。
步骤五:计算冠层LAI和平均叶倾角
按照公式(4)-(6)计算冠层LAI和平均叶倾角θL。在本应用实例中,计算得到的叶面积指数LAI为0.19,平均叶倾角θL为43°。
Claims (1)
1.一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法,其特征在于:该方法由冠层阴影自动提取技术与冠层投影分析方法两部分组成;
a)冠层阴影自动提取技术是从植被冠层照片中自动提取阴影在照片中所占的比例,称之为阴影比,该部分具体实现步骤如下:
步骤一:图像读入
根据图像的路径信息读取图像内容到内存,并根据图像拍摄的标记信息,提取图像的拍摄时间,包括年、月、日、时、分、秒,每次读取一天之内的所有图像;
步骤二:太阳高度角的计算
根据用户提供的照片拍摄的经纬度信息以及成像时间信息,计算成像时的太阳高度角H;
步骤三:颜色空间变换
颜色空间变换是将影像的RGB即红、绿、蓝颜色空间转变为HSV即色调、饱和度、亮度空间,转换的过程是通过调用MatLab软件的RGB2HSV函数来实现的;
步骤四:彩色图像灰度化
彩色图像灰度化是通过从转换后的HSV空间中提取亮度维来实现的,由于亮度维能够反映冠层照片的整体亮度情况,利用亮度变化信息有利于区分图像中的阴影与光照部分;
步骤五:背景阈值提取
背景阈值提取是利用大津算法自动识别图像中的阴影像素与光照像素的分割阈值来实现,具体是利用大津算法对步骤四中的灰度图像进行自动阈值提取来实现的;大津算法其实现过程简述为:对于图像Image,记t为前景与背景的分割阈值,前景点数占图像比例为W0,平均灰度为U0;背景点数占图像比例为W1,平均灰度为U1;图像的总平均灰度为:U=W0*U0+W1*U1;从最小灰度值到最大灰度值遍历t,当t使得值G=W0*(U0-U)2+W1*(U1-U)2最大时,即为分割的最佳阈值;
步骤六:灰度图像二值化
灰度图像二值化是利用步骤五中通过大津算法得到的图像分割阈值t,判断图像中所有像素值,像素值小于t的赋值为0,大于等于t的则赋值为1;此时得到的是一个黑白图像,其中阴影部分为黑色,光照部分为白色;
步骤七:图像形态变换
图像形态变换是对二值化的图像中被误分为植被阴影的像素进行进一步的剔除操作,上述二值化图像中,阴影部分像素不仅包括植被冠层被太阳照射之后投影下来的部分,也包括土壤颗粒的投影所形成的阴影,但是,图像中这两种阴影在形态上有所不同;土壤阴影比较细小,在整个图像空间内呈碎屑状离散分布;对于土壤颗粒所形成的阴影,通过图像形态变换来消除;对二值化图像进行闭操作即可完成图像中土壤阴影的移除,闭操作是通过调用MatLab软件的imclose函数来实现的;
步骤八:阴影比计算
阴影比计算是通过统计经过形态变换的图像像素值为0即阴影的像素个数占图像全部像素个数的比例来实现的,该比例即为冠层阴影比S;
b)冠层投影分析方法是将冠层阴影自动提取技术的输出结果,即将从多个时刻即对应多个太阳入射高度角下的照片中提取的阴影比作为输入参数,即得到冠层叶面积指数与平均叶倾角;该部分的具体实现步骤如下:
步骤一:叶倾角离散化
叶倾角离散化技术是将冠层叶倾角在0度到90度之间平均划分为N个相同的区间,N为区间个数;取每个区间的中点作为该区间上的平均叶倾角,用Aj表示,j从1到N,对应区间上的叶面积指数为LAIi;
步骤二:计算冠层投影函数
计算冠层投影函数是根据冠层阴影自动提取技术中步骤二所计算的太阳高度角数值,计算该高度角下对应于每个叶倾角区间内的叶片面积在水平地面的投影系数,按照以下公式计算:
公式(1)中,θ,h分别是叶倾角与太阳高度角,θ0=acos(tanhcotθ);
这样,假设在一天之内获取的冠层照片为M个,即太阳高度角数值个数为M,阴影比个数也为M,则K计算出来,形成一个M行N列的矩阵,即
K=(Kij),i=1~M,j=1~N (2)
步骤三:计算正则化项
计算正则化项是指对公式(3)中的H项的计算,H的作用是为了保持计算每个区间叶面积指数LAIi时求解结果稳定;计算方法如下:H是一个方阵,方阵的行列数等于叶倾角的分割区间,其主对角线上除左上角和右下角为1外,其余为2,与主对角线相邻的元素均为-1,方阵中其它元素均为0;
步骤四:求叶倾角区间i上LAIi
根据叶片投影函数以及在“冠层阴影自动提取”技术中的“阴影比计算”模块输出的每个太阳高度角下的冠层阴影比,用公式(3)计算每个区间内的叶面积指数LAIi;
LAIi=(KTK+λH)KTS (3)
其中λ是一个0-1之间的数值,在实际应用中需根据计算结果的实际情况进行经验性调整;H是一个正则化项,计算方法在步骤三中详细阐述;
步骤五:计算冠层LAI和平均叶倾角θL
计算冠层LAI和平均叶倾角θL方法是按照公式(4)-(6)计算;
LAI=∑LAIi (4)
θL=∑giθi (5)
在式(5)中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410251478.1A CN104296696B (zh) | 2014-06-09 | 2014-06-09 | 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410251478.1A CN104296696B (zh) | 2014-06-09 | 2014-06-09 | 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104296696A CN104296696A (zh) | 2015-01-21 |
CN104296696B true CN104296696B (zh) | 2017-01-25 |
Family
ID=52316532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410251478.1A Active CN104296696B (zh) | 2014-06-09 | 2014-06-09 | 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104296696B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225255A (zh) * | 2015-09-24 | 2016-01-06 | 中国农业科学院农业资源与农业区划研究所 | 叶面积指数测定方法及装置 |
CN106482673B (zh) * | 2016-08-27 | 2018-11-23 | 中国农业科学院草原研究所 | 多角度草地植被叶面积指数观测方法及仪器 |
CN106570898A (zh) * | 2016-10-11 | 2017-04-19 | 浙江大学 | 基于hsv色彩空间快速进行草本植物绿叶率定量测量的方法 |
CN107067433B (zh) * | 2017-04-24 | 2019-09-24 | 电子科技大学 | 一种基于数字图像处理技术的叶面积指数地面测量方法 |
CN110926361B (zh) * | 2019-11-21 | 2021-08-10 | 上海理工大学 | 一种检测轨冠饱满度的数值计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706293A (zh) * | 2012-06-27 | 2012-10-03 | 黑龙江工程学院 | 基于四分量光学物理模型的叶面积指数反演方法 |
CN102778212A (zh) * | 2012-08-02 | 2012-11-14 | 浙江大学 | 一种利用数码相机获取水稻冠层叶面积指数的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010032495A1 (ja) * | 2008-09-16 | 2010-03-25 | 株式会社アドイン研究所 | 樹木情報計測方法、樹木情報計測装置、プログラム |
US8537337B2 (en) * | 2009-12-22 | 2013-09-17 | Weyerhaeuser Nr Company | Method and apparatus for analyzing tree canopies with LiDAR data |
-
2014
- 2014-06-09 CN CN201410251478.1A patent/CN104296696B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706293A (zh) * | 2012-06-27 | 2012-10-03 | 黑龙江工程学院 | 基于四分量光学物理模型的叶面积指数反演方法 |
CN102778212A (zh) * | 2012-08-02 | 2012-11-14 | 浙江大学 | 一种利用数码相机获取水稻冠层叶面积指数的方法及装置 |
Non-Patent Citations (1)
Title |
---|
POV-ray应用于冠层可视光照和阴影组分比例变化分析;王剑庚等;《遥感学报》;20100430;第14卷(第2期);242-251页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104296696A (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104296696B (zh) | 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法 | |
Yang et al. | A near real-time deep learning approach for detecting rice phenology based on UAV images | |
CN105701467B (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
CN107292298A (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
CN103116749A (zh) | 一种基于自建图像库的近红外人脸识别方法 | |
CN110309746A (zh) | 无通信互联的高等级信息安全区表格数据信息提取方法 | |
CN108564021B (zh) | 一种基于数码相片提取荒漠植被盖度的方法 | |
CN106017367B (zh) | 一种郁闭度的测定方法和装置 | |
CN109447945A (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN107680114A (zh) | 一种基于计算机图像处理的草地盖度测算方法 | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
CN110717451B (zh) | 一种基于深度学习的药用植物叶部病害图像识别方法 | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
CN105590316A (zh) | 面向对象的高分辨率遥感影像阴影提取方法 | |
Song et al. | Detection of maize tassels for UAV remote sensing image with an improved YOLOX model | |
Kang et al. | Identifying tree crown areas in undulating eucalyptus plantations using JSEG multi-scale segmentation and unmanned aerial vehicle near-infrared imagery | |
CN103942555A (zh) | 一种植物氮素含量丰缺图像检测方法 | |
CN206849035U (zh) | 一种图像处理装置及人脸识别系统 | |
Zhang et al. | Yield estimation of citrus fruit using rapid image processing in natural background | |
Aghaei et al. | A flying gray ball multi-illuminant image dataset for color research | |
Shen et al. | Yolov5-based model integrating separable convolutions for detection of wheat head images | |
CN109451292A (zh) | 图像色温校正方法及装置 | |
Wang et al. | Extracting vegetation information from high dynamic range images with shadows: A comparison between deep learning and threshold methods | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
CN109509194B (zh) | 一种复杂背景下正面人体图像分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |