CN106845554B - 一种檀香植株生长土壤铁元素含量的图像确定方法和系统 - Google Patents

一种檀香植株生长土壤铁元素含量的图像确定方法和系统 Download PDF

Info

Publication number
CN106845554B
CN106845554B CN201710067346.7A CN201710067346A CN106845554B CN 106845554 B CN106845554 B CN 106845554B CN 201710067346 A CN201710067346 A CN 201710067346A CN 106845554 B CN106845554 B CN 106845554B
Authority
CN
China
Prior art keywords
image
iron content
soil
santal
average value
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.)
Expired - Fee Related
Application number
CN201710067346.7A
Other languages
English (en)
Other versions
CN106845554A (zh
Inventor
吴春燕
王雪峰
陈珠琳
白欢欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
Original Assignee
INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY filed Critical INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
Priority to CN201710067346.7A priority Critical patent/CN106845554B/zh
Publication of CN106845554A publication Critical patent/CN106845554A/zh
Application granted granted Critical
Publication of CN106845554B publication Critical patent/CN106845554B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Cultivation Of Plants (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种檀香植株生长土壤铁元素含量的图像确定方法和系统，属于测量和计算机技术领域。包括步骤如下建立预估方程并确定方程参数：获取土壤样本并测定土壤内铁元素含量；获取植株样本；用支持向量机(SVM)图像分割方法获取檀香树种前景图像；获取图像参数并建立图像与土壤铁元素含量之间的关系；根据此关系预测植株土壤铁元素含量。根据本发明，可通过普通照相机和计算机就可实现檀香植株生长土壤铁元素缺乏与否的判定，因此，本发明不需要增加额外设备就可估算檀香植株当前生长的铁元素含量，极其适于珍贵树种檀香营养诊断以及健康生长经营管理工作。

Description

一种檀香植株生长土壤铁元素含量的图像确定方法和系统
技术领域
本发明涉及一种檀香植株生长土壤铁元素含量的图像确定方法和系统，属于测量和计算机技术领域。
背景技术
矿物质元素是生物体生长所必需的重要营养元素，直接参与机体的新陈代谢、生长发育等基础的生物学过程。在植物生长和发育所必需的微量元素中，铁是叶绿素形成不可缺少的，其在光合作用、呼吸作用和叶绿素合成等植物重要生命活动中发挥了不可或缺的作用。尽管铁在土壤里含量丰富，但铁元素多以Fe2+的形式存在，其在高pH值和石灰性土壤中溶解度极低，严重影响了其利用效率。
植物缺铁失绿已成为全世界普遍关注的问题。全世界约有40％的土壤缺铁，特别是石灰性土壤，许多农作物常因发生缺铁失绿导致生长不良，产量下降。
缺铁时叶绿体结构被破坏，导致叶绿素不能形成，嫩叶变黄，使叶片产生“失绿症”现象，叶脉仍绿，但老叶保持绿色，严重缺铁时，叶绿体变小，甚至解体或液泡化，会造成叶片白化，叶片上出现坏死斑点，叶片逐渐焦枯甚至整株死亡。
檀香是最昂贵的木材之一，树被称为“黄金之树”，现被列为国家重点保护植物。近年来对半寄生性树种檀香的栽培量急剧增加，但是由于其对水分等生长环境要求苛刻，因此亟需较强的监测技术以满足培育要求。
由于植株铁元素是否缺乏往往会以外在形态颜色等特征表现出来，这为人们通过植株叶片或茎枝等外在形态颜色推断其铁元素是否缺乏的信息提供了可能。随着数字图像采集工作的简单化、廉价化，从客观上推动了基于图像的植株铁元素含量的研究，并希望实现估测植株铁元素是否缺乏的简单化。
植株铁元素是否缺乏的研究主要集中在土壤铁元素含量的多少的研究，同一地区其土壤质地种类以及所含成分都大致相同，而在相同的外界环境下，不同树种植株铁元素含量都有所差异，因此，通过植株颜色等外在表象信息判断树木的生长状态，确定植株生长所需的土壤铁元素含量，拟避免植株缺铁现象出现。
通过提取图像来获取檀香植株生长土壤铁元素含量信息，为了提高获取信息的准确度，将土壤铁元素是否缺乏用单位土样质量所含有的铁元素量来表示，通过植株前景图像获取图像参数，建立图像参数与其土壤铁元素含量的统计模型，再通过模型反演土壤铁元素含量。由于提取前景图像是很多后续图像研究的关键问题之一，其准确度直接影响着分析结果，因此，选择合理的分割算法对图像信息的准确获取具有重要意义。下面通过研究抽取檀香植株图像和土壤铁元素含量数据，建立以植株前景图像各参数为自变量的模型方程，以此来估计土壤铁元素含量。
发明内容
本发明的实施例提供了一种檀香植株生长土壤铁元素含量的图像确定方法和系统，仅根据图象可以无损估测土壤铁元素含量。
一种檀香植株生长土壤铁元素含量的图像确定方法，包括以下步骤：
建立预估方程并确定方程参数：获取土壤样本并测定土壤内铁元素含量；获取植株样本；用SVM图像分割方法获取檀香树种前景图像；获取图像参数并建立图像与土壤铁元素含量之间的关系；根据此关系预测植株铁元素含量。
一种檀香植株生长土壤铁元素含量的图像确定方法，包括以下步骤：
1)、建立预估方程并确定方程参数：
步骤1.1、用照相机获取檀香植株图像样本；
步骤1.2、用SVM图像分割方法获取檀香树种前景图像；
步骤1.3、获取前景图像特征参数；
步骤1.4、获取土壤样本并用土壤养分速测仪测定土壤内铁元素含量；
步骤1.5、建立图像参数与土壤铁元素含量之间的关系；
步骤2)、利用图像数据估计土壤铁元素含量；
步骤2.1、获取檀香植株图像；
步骤2.2、从檀香植株图像中提取图像参数；
步骤2.3、根据图像参数利用铁元素含量预估模型确定土壤铁元素含量。
所述图像参数包括：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值。
所述土壤铁元素量预估模型为：
y＝a+b.x1x2+d.x1 3+g.x2+r.x3+j.x4x5+h.x6x7 (1)
其中，
y：铁元素含量；
x1：图像前景像素的G平均值与R平均值的比值；
x2：图像前景像素的G平均值与B平均值的比值；
x3：檀香前景图像占原始图像的白分比；
x4：图像前景像素的R平均值与(G+B)平均值的比值；
x5：图像前景像素的G平均值与(R-B)平均值的比值；
x6：图像前景像素的R平均值与(R+G+B)平均值的比值；
x7：图像前景像素的B平均值与(R+G+B)平均值的比值；
a、b、d、g、r、j、h：待定标参数；
所述待定标参数通过实验获得。
在所述获取植株前景图像步骤之前，将图像的背景设置为单一背景。
本发明还提供了一种土壤铁元素含量的图像确定系统，所述装置包括：
图像获取装置，用于获取植株的前景图像；
计算单元，用于从植株的前景图像中获得图像参数；
确定单元，用于根据图像参数利用铁元素含量预估模型确定土壤铁元素含量。
根据本发明，可通过普通照相机和计算机就可实现檀香植株生长土壤铁元素缺乏与否的判定，因此，本发明不需要增加额外设备就可估算檀香植株当前生长的铁元素含量，极其适于珍贵树种檀香营养诊断以及健康生长经营管理工作。
附图说明
图1示出了本发明实施例的确定土壤铁元素含量的流程；
图2为本发明SVM的体系结构图；
下面结合附图和实施例对本发明进一步说明。
具体实施方式
实施例1:
不同铁元素含量的檀香植株，在生长过程中，对不同波段电磁波的吸收、反射存在差异，从而使得叶片内部颜色也不一样，在叶片表面形成不同的颜色，因此，可通过彩色图像来探知檀香植株生长土壤铁元素含量。
如图1所示，本实施例提供了一种檀香植株生长土壤铁元素含量的图像确定方法，包括如下步骤：
1)、建立预估方程并确定方程参数：
步骤1.1、用照相机获取檀香植株图像样本；
步骤1.2、用SVM图像分割方法获取檀香树种前景图像；
步骤1.3、获取前景图像特征参数；
步骤1.4、获取土壤样本并用土壤养分速测仪测定土壤内铁元素含量；
步骤1.5、建立图像参数与土壤铁元素含量之间的关系；
步骤2)、利用图像数据估计土壤铁元素含量；
步骤2.1、获取檀香植株图像；
步骤2.2、从檀香植株图像中提取图像参数；
步骤2.3、根据图像参数利用铁元素含量预估模型确定土壤铁元素含量。
在步骤1)中，为了从植株前景图像中获得图像参数，首先从植株彩色图像的背景中分割出前景图像，然后计算图像参数。
根据大量的试验结果，所述图像参数包括：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值。
为了更方便地从彩色图像的背景中分割出前景图像，根据本发明实施例，优选地，在摄影时采用单一背景，比如颜色单一且反光较小的黑色背景，这样能够最大限度的表现前景。
由于前景与背景图像存在差异，可以通过分析前景与背景两部分图像的相关性来判断二者关系，进而实现从彩色图像的背景中分割出前景图像。
支持向量机(SVM)的主要思想是给定训练样本，支持向量机建立一个超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。
SVM的体系结构如图2所示；其中K是核函数。
SVM图像分割是利用SVM对每一个象素进行分类来实现的。
把这一概念引入到檀香图像分割中，进而实现植株前景和背景的分离。得到植株前景图像后，就可根据前景图像确定图像参数：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值。
还包括步骤如下：
步骤1、选择代表植株前景和背景的两类的象素点，提取特征，生成训练集；设已知训练集：
T＝{(x1,y1),...,(xl,yl)}∈(X×Y)l (1)
其中，xi∈X＝Rn，yi∈Y＝{1,-1}(i＝1,2,...,l)；xi为特征向量。
步骤2、选取合适的核参数K(x,x')及惩罚系数C，训练分类器，求得到支持向量；再逐一提取每个象素点的特征，产生样本待分类样本集。
i＝1,...,l得到待分类样本集
步骤3、求每一个象素点对应样本到超平面的距离值，使用式(3)：
步骤4、将每个象素点归入两个不同的类,完成对图像的分割，使用式(4)：
步骤5、提取前景部分并通过前景图像提取3个图像参数：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值。
求得所有定标檀香植株图像参数后，然后求解铁元素含量预估模型中的参数即完成土壤铁元素含量预估模型的定标工作，然后根据铁元素含量预估模型确定土壤铁元素含量。
土壤铁元素含量预估模型为：
y＝a+b.x1x2+d.x1 3+g.x2+r.x3+j.x4x5+h.x6x7 (1)
其中，
y：铁元素含量；
x1：图像前景像素的G平均值与R平均值的比值；
x2：图像前景像素的G平均值与B平均值的比值；
x3：檀香前景图像占原始图像的白分比；
x4：图像前景像素的R平均值与(G+B)平均值的比值；
x5：图像前景像素的G平均值与(R-B)平均值的比值；
x6：图像前景像素的R平均值与(R+G+B)平均值的比值；
x7：图像前景像素的B平均值与(R+G+B)平均值的比值；
a、b、d、g、r、j、h：待定标参数；
所述待定标参数通过实验获得。
檀香植株生长土壤铁元素含量的图像预测模型定标的步骤如下：
用相机拍摄获取檀香植株图像，摄影使用的相机类型为Canon EOS Kiss DigitalX，图像分辨率3888×2592、ISO速度为800、快门速度1/50s、透镜孔径F/8。
用土壤养分速测仪测定土样内铁元素含量。
本次样品测得的土壤铁元素含量分布范围在15-100mg/kg之间。
把60个檀香植株随机分成2组，一组45个另一组15个，根据上述算法，分别求算每个檀香植株的图像参数，然后用45个的一组定标模型参数，15个的组用于检验模型的优劣。
具备铁元素含量预估模型参数求解的全部数据后，就可以计算模型参数，当然也可以利用既有的统计软件比如SAS、SPSS等求解模型参数。并用其它数据进行检测，本实施例模型拟合数据45组，模型检验数据15组，综合2组数据测试结果，得到确定指数为0.827，可以用于土壤铁元素含量的预估。
预估模型如下：
y＝10153.301+1405.489x1x2+56.857x3-691.933x13-1088.424x4x5-67445.062x6x7 (2)
纯图像角度的檀香植株生长的土壤铁元素含量估测，其预估模型中的所有自变量都是从图像中抽取的，因此，仅根据图像就可以实现对檀香植株生长的土壤铁元素含量的预估，而不再需要额外的其它条件，这对于珍贵树种檀香营养诊断以及健康生长经营管理工作无疑是便利的。
实施例2：
实施例1以檀香植株为对象，还能够对黄花梨、降香黄檀、紫檀等作为实施例运用本发明的方法实施，其步骤与实施例1相同，只是用黄花梨、降香黄檀、紫檀植株图像替换檀香植株图像并改变模型参数即可。
实施例3：
本实施例提供了一种檀香植株生长土壤铁元素含量的图像确定系统，包括：
图像获取装置，用于获取植株前景彩色图像；
图像获取装置可以是照像机及任何带有照像的设备；
计算单元，用于从植株的彩色图像中获得图像参数；
确定单元，用于根据图像参数利用铁元素含量预估模型确定土壤铁元素含量。
本实施例的各个单元的工作原理可参见实施例一的描述。
图像获取装置包括普通照相机。
根据本发明，可通过普通照相机和计算机就可实现檀香植株生长土壤铁元素含量的测定，因此，本发明不需要增加额外设备就可估算土壤铁元素含量，本发明技术极其适于珍贵树种檀香营养诊断以及健康生长经营管理工作。
如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。

Claims (3)

1.一种檀香植株生长土壤铁元素含量的图像确定方法，包括以下步骤：
建立预估方程并确定方程参数：获取土壤样本并测定土壤内铁元素含量；获取植株样本；用SVM图像分割方法获取檀香树种前景图像；获取图像参数并建立图像与土壤铁元素含量之间的关系；根据此关系预测植株铁元素含量；
还包括步骤如下：
步骤1)、建立预估方程并确定方程参数：
步骤1.1、用照相机获取檀香植株图像样本；
步骤1.2、用SVM图像分割方法获取檀香树种前景图像；
步骤1.3、获取前景图像特征参数；
步骤1.4、获取土壤样本并用土壤养分速测仪测定土壤内铁元素含量；
步骤1.5、建立图像参数与土壤铁元素含量之间的关系；
步骤2)、利用图像数据估计土壤铁元素含量；
步骤2.1、获取檀香植株图像；
步骤2.2、从檀香植株图像中提取图像参数；
步骤2.3、根据图像参数利用土壤铁元素含量预估模型确定土壤铁元素含量；
步骤2.2中所述图像参数包括：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值；
步骤2.3中所述土壤铁元素含量预估模型为：
y＝a+b.x1x2+d.x1 3+g.x2+r.x3+j.x4x5+h.x6x7 (1)
其中，
y：铁元素含量；
x1：图像前景像素的G平均值与R平均值的比值；
x2：图像前景像素的G平均值与B平均值的比值；
x3：檀香前景图像占原始图像的百分比；
x4：图像前景像素的R平均值与(G+B)平均值的比值；
x5：图像前景像素的G平均值与(R-B)平均值的比值；
x6：图像前景像素的R平均值与(R+G+B)平均值的比值；
x7：图像前景像素的B平均值与(R+G+B)平均值的比值；
a、b、d、g、r、j、h：待定标参数；所述待定标参数通过实验获得。
2.根据权利要求1所述的一种檀香植株生长土壤铁元素含量的图像确定方法，其特征在于获取檀香植株图像样本对应的土样，回室内烘干待测；用SVM算法将样本图像进行分割提取，获取檀香植株前景图像；获取图像参数并建立图像与土壤铁元素含量之间的关系。
3.根据权利要求1所述的一种檀香植株生长土壤铁元素含量的图像确定方法，其特征在于步骤2)中利用图像数据估计土壤铁元素含量含有以下步骤；
步骤1)、获取檀香植株图像；用SVM算法将檀香植株前景图像分割提取出来；
步骤2)、从檀香前景图像中提取图像参数：通过计算机软件计算出所需的3个图像参数：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值；
步骤3)、根据图像参数利用铁元素含量预估模型确定土壤铁元素含量。
CN201710067346.7A 2017-02-07 2017-02-07 一种檀香植株生长土壤铁元素含量的图像确定方法和系统 Expired - Fee Related CN106845554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710067346.7A CN106845554B (zh) 2017-02-07 2017-02-07 一种檀香植株生长土壤铁元素含量的图像确定方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710067346.7A CN106845554B (zh) 2017-02-07 2017-02-07 一种檀香植株生长土壤铁元素含量的图像确定方法和系统

Publications (2)

Publication Number Publication Date
CN106845554A CN106845554A (zh) 2017-06-13
CN106845554B true CN106845554B (zh) 2019-11-19

Family

ID=59121905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710067346.7A Expired - Fee Related CN106845554B (zh) 2017-02-07 2017-02-07 一种檀香植株生长土壤铁元素含量的图像确定方法和系统

Country Status (1)

Country Link
CN (1) CN106845554B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108982386B (zh) * 2018-07-31 2020-11-10 中国林业科学研究院资源信息研究所 一种檀香叶片全铁含量的多光谱图像确定方法及系统
CN110849879A (zh) * 2019-11-29 2020-02-28 华润电力技术研究院有限公司 含碳量的检测方法、检测系统及计算机存储介质
CN117151354B (zh) * 2023-11-01 2024-01-02 北京建工环境修复股份有限公司 一种农田修复与改良管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268892A (zh) * 2014-10-13 2015-01-07 中国林业科学研究院资源信息研究所 一种叶片表面尘土量的图像确定方法和系统
CN104374711A (zh) * 2014-10-08 2015-02-25 中国林业科学研究院资源信息研究所 一种树木叶面尘土量的确定方法及系统
CN105675821A (zh) * 2016-02-21 2016-06-15 南京农业大学 一种作物氮素营养无损诊断的图像评价指标的建立方法
WO2016147870A1 (ja) * 2015-03-16 2016-09-22 コニカミノルタ株式会社 植物健全性診断装置、該方法および該プログラム
CN106290171A (zh) * 2016-07-27 2017-01-04 内蒙古大学 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法
WO2017015549A1 (en) * 2015-07-22 2017-01-26 UHV Technologies, Inc. X-ray imaging and chemical analysis of plant roots

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374711A (zh) * 2014-10-08 2015-02-25 中国林业科学研究院资源信息研究所 一种树木叶面尘土量的确定方法及系统
CN104268892A (zh) * 2014-10-13 2015-01-07 中国林业科学研究院资源信息研究所 一种叶片表面尘土量的图像确定方法和系统
WO2016147870A1 (ja) * 2015-03-16 2016-09-22 コニカミノルタ株式会社 植物健全性診断装置、該方法および該プログラム
WO2017015549A1 (en) * 2015-07-22 2017-01-26 UHV Technologies, Inc. X-ray imaging and chemical analysis of plant roots
CN105675821A (zh) * 2016-02-21 2016-06-15 南京农业大学 一种作物氮素营养无损诊断的图像评价指标的建立方法
CN106290171A (zh) * 2016-07-27 2017-01-04 内蒙古大学 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Image changes in chlorophyll fluorescence of cucumber leaves in response to iron deficiency and resupply;Sivia Donnini 等;《Plant Nutrition and Soil Science》;20130819;第176卷(第5期);734-742 *
Improving in vivo plant nitrogen content estimates from digital images: Trueness and precision of a new approach as compared to other methods and commercial devices;Roberto Confalonieri 等;《Biosystems Engineering》;20150518;21-30 *
鄂尔多斯盆地伊盟隆起区东部微烃渗漏区的遥感识别及其意义;祝民强 等;《遥感学报》;20071130;第11卷(第6期);882-890 *
高光谱遥感土壤湿度信息提取研究;刘伟东 等;《土壤学报》;20040930;第41卷(第5期);700-706 *

Also Published As

Publication number Publication date
CN106845554A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
Roth et al. Predicting cover crop biomass by lightweight UAS-based RGB and NIR photography: an applied photogrammetric approach
US8179393B2 (en) Fusion of a 2D electro-optical image and 3D point cloud data for scene interpretation and registration performance assessment
CN106845554B (zh) 一种檀香植株生长土壤铁元素含量的图像确定方法和系统
US6819787B2 (en) Robust stain detection and quantification for histological specimens based on a physical model for stain absorption
CN103745217A (zh) 基于图像检索的中医舌色苔色自动分析方法
Uuttera et al. Determination of the spatial distribution of trees from digital aerial photographs
AU2010255803A1 (en) Device and method for recording a plant
CN109522929A (zh) 一种基于多源图像融合的自然环境下麦田杂草识别方法
CN101149325A (zh) 织物防水性能自动检测方法和检测系统
CN104199027B (zh) 基于紧致极化雷达大面积近实时监测水稻物候期的方法
CN109801320B (zh) 一种基于面部分区的皮肤干燥状态智能识别方法及系统
CN106340000A (zh) 骨龄评估方法
CN105160346A (zh) 一种基于纹理和分布特征的舌苔腐腻识别方法
CN110532953A (zh) 基于纹理特征辅助的sar影像冰川识别方法
Lati et al. Plant growth parameter estimation from sparse 3D reconstruction based on highly-textured feature points
CN106056069A (zh) 基于无人机图像分析的林地资源资产评估方法及其评估系统
CN102855485A (zh) 一种小麦抽穗的自动检测方法
CN108564021A (zh) 一种基于数码相片提取荒漠植被盖度的方法
CN106910214A (zh) 一种檀香树干虫害损伤程度等级图像判别方法
CN108896021A (zh) 基于航空摄影测量点云提取人工林林分结构参数的方法
CN105405148B (zh) 一种结合树木阴影特征的遥感影像毛白杨识别方法
CN110307903A (zh) 一种家禽特定部位无接触温度动态测量的方法
Tian et al. The detection system for greenhouse tomato disease degree based on android platform
CN108986107A (zh) 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法
CN106886754B (zh) 一种基于三角面片的三维场景下的物体识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191119

Termination date: 20210207