CN106910214A - 一种檀香树干虫害损伤程度等级图像判别方法 - Google Patents
一种檀香树干虫害损伤程度等级图像判别方法 Download PDFInfo
- Publication number
- CN106910214A CN106910214A CN201710071176.XA CN201710071176A CN106910214A CN 106910214 A CN106910214 A CN 106910214A CN 201710071176 A CN201710071176 A CN 201710071176A CN 106910214 A CN106910214 A CN 106910214A
- Authority
- CN
- China
- Prior art keywords
- santal
- insect pest
- image
- injury
- degree
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Image Analysis (AREA)
Abstract
一种檀香树干虫害损伤程度等级图像判别方法,属于森林经理和森林经营领域,含有步骤:檀香树干虫害损伤程度预估模型的建立;檀香树干虫害损伤程度预测目的的自变量提取;檀香树干虫害损伤程度等级的判断。根据本发明,经营者可以通过获取的檀香图像来估算檀香树干的受虫害程度,科学的针对每一棵檀香树进行防止,进而保证檀香的存活率和生长质量。此方法从图像分析角度实现了檀香树干虫害程度的估测,速度快,精度高,及其使用于当前的檀香珍贵树种的栽培。
Description
技术领域
本发明涉及一种檀香树干虫害损伤程度等级图像判别方法,属于森林经理和森林经营领域。
背景技术
檀香是稀有的珍贵树种之一,具有非常好的药用、心理、生理、美容等功效,近年来华南等地得到了大量栽植。但檀香树是一种半寄生植物,必须有其它寄主植物才能健康生长,而且在气温或者环境不宜等情况下,檀香易受到危害根部的苗立枯病、根腐病以及危害叶片的叶灰斑病、白粉病、桑寄生粉蝶、金龟子和危害茎干的咖啡豹蠹蛾等的危害,因此,实时监测檀香健康状态并及时采取相应措施是关系到檀香经营成败的重要手段。
近些年来,物联网技术的发展为林业监测提供了新的方法,在檀香生长林内布设有多台Filed Server,每台设备上的相机在水平方向可以进行360°旋转,垂直方向可以进行270°旋转。仪器设置为每10s获取一组图像数据。这样的方式使得经营者可以获取大量的数据,但是计算机无法做到对檀香做虫害等级预估。所以充分利用这些大量的图像数据成为研究的重点。由于檀香树干受到虫害的侵蚀,通常会造成冲孔或树皮脱落等情况,使得受虫害破坏的树干纹理与正常纹理之间有很大的差别。如何利用获取的图像进行图像分割以及如何建立受虫害损伤程度与所提取参数之间的函数关系成为两大难点。
图像分割是指将目标从背景中提取出来,是进行图像理解和视觉技术的基础,经过几十年的发展,图像分割技术有成千上万种算法,但总体可以归为四类:阈值分割算法、空间聚类分割算法、基于区域的分割算法和基于活动轮廓模型的分割算法。
阈值分割算法中最简单的是单阈值分割,是指在图像的灰度范围内选择一个灰度阈值,将图像中每个像素的灰度值与该阈值做比较,大于该阈值的归为一类,小于该阈值的归为另一类,等于该阈值的像素可以归为任意一类,但是要统一。常见的阈值分割算法有大津法、迭代式阈值法、全局阈值法等。
空间聚类分割算法是把图像分割的过程看做是在由原始图像的灰度、纹理以及其他统计参数共同构成的多维特征空间中进行聚类分析。通过对不同特征变量的选择,被识别的对象点就会在特征空间中聚集成团。聚类分析的一般过程为用适当的相似性准则对图像像素分类,用类间距离等测度对所分的子类检测,看彼此是否能明显分开,如果不能,就要对某些子类进行合并。反复对生成的结果再分类、检测和合并,直到没有新的子类生成或满足某一条件为止。聚类的方法很多,最常见的是K-均值聚类和ISODATA聚类。
基于区域的分割算法是利用图像的若干性质,比如颜色、纹理、空间位置关系等,分割出来的属于同一区域的像素应具有相似的性质。它在复杂对象的分割方面往往能显示较好的性能。传统的基于区域的分割法有区域生长法和区域分裂合并法。
基于活动轮廓模型分割算法的初始模型是在图像上给出的一条对应对象边界大概位置的闭曲线(二维)或闭曲面(三维),然后曲线在由轮廓自身特征决定的内部能量(内部力)和图像特征决定的外部能量(外部力)共同作用下移动,当能量最小时最终停止于所要寻找的物体边缘附近。形变模型正是融合了外部轮廓线的知识和内部图像自身的特征,使得它成为计算机视觉领域的研究热点。常用的模型有参数活动轮廓模型和几何活动轮廓模型。
尽管图像分割有上千种算法,但是由于图像的千差万别,没有一种通用的算法,尤其林业图像相对复杂,不仅具有复杂的生物属性,也包含了多变的自然属性。同时,大部分图像分类算法使用于分布比较均匀的基准纹理或者比较宏观的遥感影像,用于林木病虫害图像方面研究则比较少,加之檀香是半寄生树种,寄主植物会对前景分割造成巨大的影响,更增加了分割的难度。而且很少有从图像的角度建立模型估计檀香受虫害破坏程度,所以急需一种成本低、易操作、精度高的方法从图像的角度对檀香树虫害等级进行判别。
发明内容
为了克服现有技术的不足,本发明提供一种檀香树干虫害损伤程度等级图像判别方法。
一种檀香树干虫害损伤程度等级图像判别方法,含有以下步骤;
檀香树干虫害损伤程度预估模型的建立;
檀香树干虫害损伤程度预测目的的自变量提取;
檀香树干虫害损伤程度等级的判断。
本发明的优点是经营者可以通过获取的檀香图像来估算檀香树干的受虫害程度,科学的针对每一棵檀香树进行防止,进而保证檀香的存活率和生长质量。此方法从图像分析角度实现了檀香树干虫害程度的估测,速度快,精度高,及其使用于当前的檀香珍贵树种的栽培。
附图说明
当结合附图考虑时,通过参照下面的详细描述,能够更完整更好地理解本发明以及容易得知其中许多伴随的优点,但此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,如图其中:
图1为本发明的流程图。
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
显然,本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
实施例1:如图1所示,本发明的实施例提供了一种檀香树干虫害损伤程度等级图像判别方法,可以科学的针对每一棵檀香树进行的防止,进而保证檀香的存活率和生长质量。
一种檀香树干虫害损伤程度等级图像判别方法,包括:建立檀香树干受虫害损伤程度预估模型;对檀香树干图像随机进行图像取样xi(i=1,2,…,n),大小为64×64像素;代入模型计算受虫害损伤程度估计值(i=1,2,…,n);计算整棵树的估计受虫害损伤程度(i=1,2,…,n)。
所述建立檀香树干受虫害损伤程度预估模型具体包括:
使用Photoshop CS5手动截取檀香树干部分的图像80张,其中40张作为训练样本,40张作为测试样本,每张图像大小为64×64像素;
使用Photoshop CS5手动将正常虫害部分区分开,计算虫害统计虫害和正常的像素个数,计算虫害像素占总像素的比例。
对原图像RGB像素统计,计算R分量占RGB的比例,即计算R/R+G+B。
确定所用纹理特征,计算训练样本的灰度共生矩阵值;
对所有训练样本纹理特征的灰度共生矩阵值做主成分分析,确定所取主成分的数量;
建立一元非线性回归方程,找出所取主成分与受虫害损伤程度之间的函数关系;
使用测试样本检验模型的精度。
所述确定所用纹理特征,计算灰度共生矩阵值具体包括:
灰度共生矩阵可以提取出14种纹理特征,分别为纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关、逆差分距、最大概率、纹理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。对这些纹理特征进行了测试,最终选出较好的能量值、熵值、对比度、相关性四种纹理特征作为进一步研究的参数;
在利用灰度共生矩阵计算特征值时,使用MATLAB R2012a工具首先将彩色图像转换为灰度图像,然后进行灰度级稀疏化和纹理参数计算。由于图像灰度共生矩阵的计算量是由图像的灰度级以及图像的大小决定的,而试验选取的训练样本均为64×64像素大小,所以在不影响纹理特征的前提下需要将灰度级进行压缩,通常将256级压缩为8级或16级,在本研究中压缩到16级。对图像作为预处理后,进行灰度共生矩阵特征值的计算。选择步长为1,方向分别为1°、45°、90°、135°。对共生矩阵进行归一化,求出能量值、熵值、对比度、相关性四个纹理特征值,但是为了避免特征值在某一方向具体片面性,而且对4个方向上的4个纹理特征值进行分析的过程过于冗长,所以选择计算能量值、熵值、对比度、相关性的均值和方差作为最终的8维纹理特征。
所述对所有纹理特征的灰度共生矩阵值做主成分分析,确定所取主成分的数量具体包括:
首先将获取的8维纹理特征值进行标准化;
对标准化后的8维纹理特征值做主成分分析,观察得到前三个主成分累积贡献率达到92%,超过85%,则说明前三个主成分具有代表性;
将每一组数据的主成分坐标记录下来,生成新的数据;
所述建立一元非线性回归方程,找出所取主成分与受虫害损伤程度之间的函数关系具体包括:
自变量为树干受虫害程度(Y值),因变量有4个,分别为前三个主成分和R/R+G+B,模型的形式为
其中x1为主成分1的值,x2为主成分2的值,x3为主成分3的值,x4为红色分量占整个RGB系统的比值,即R/R+G+B。
该模型中A=0.095896,B=-0.168075,C=-0.232601,D=15.453892,a1=174.918924,a2=-120.939118,a3=0.000708,a4=0.709927,a5=0.178487,a6=-0.913193,a7=0.054477,a8=111.449919。使用该模型得到的相关系数可以达到91%,具有较高的拟合程度。
实施例2:如图1所示,图像分类在各个领域都有应用,但不同的图像分类算法针对不同的应用情况,在判断檀香生长是否正常方面没有比较好的分类算法,并且在区分檀香虫害的受害等级方面的研究很少。本实例利用正常檀香树干图像和虫害树干图像在纹理方面的不同,进行特征提取和变换,建立檀香树干虫害程度损伤模型。
对檀香的树干图像进行随机的图像取样xi(i=1,2,..,n),大小为64×64像素,代入到檀香树干虫害损伤模型中得到预估值最后求平均得到整棵树的估计受虫害损伤程度
如图1所示,本实施例提供了一种檀香树虫害等级图像判断方法和装置,包括如下步骤:
步骤101、建立檀香树干受虫害损伤程度预估模型;
步骤102、对檀香树干随机进行图像取样xi(i=1,2,..,n);图像为檀香树干图像,大小为64×64像素。
步骤103、代入模型计算受虫害损伤度估计值
步骤104、估计整棵树的估计受虫害损伤度
下面分别介绍上述各个步骤。
在步骤101中,首先需要手动截取40张64×64像素的图像,将虫害部分与正常部分分割开,计算虫害部分占整个图像的像素比例,得出受虫害程度作为建模所需的因变量。
图像特征的选择。由于正常檀香树干图像和虫害檀香树干图像在纹理方面有比较明显差异,使用灰度共生矩阵提取纹理特征。虽然纹理特征有14种,但常用的有4种,分别为能量、熵值、对比度和相关性。首先需要将彩色图像转换为灰度图像,为了减少计算量,需要将256级灰度级压缩为16级,步长选择1。方向为0°,45°,90°,135°,但是为了避免片面性,最终选择4个方向的均值和方差组成8维纹理特征向量。
将计算得到的8维纹理特征进行主成分分析进行降维处理。首先进行数据的标准化,将标准化后的数据做主成分分析,前三个主成分的累计贡献率达到96%,则可以将8维纹理特征降为3维,取3维主成分作为3个自变量。
统计训练样本RGB像素个数。由于虫害致使檀香树皮脱落,与正常生长的檀香树干图像相比,虫害图像的R分量比例明显比较大。计算R/R+G+B作为第4个自变量。
建立檀香树干虫害损伤程度模型。根据计算得到的4个自变量和1个因变量进行一元非线性回归,模型公式为:
其中x1为主成分1的值,x2为主成分2的值,x3为主成分3的值,x4为红色分量占整个RGB系统的比值,即R/R+G+B。
该模型中A=0.095896,B=-0.168075,C=-0.232601,D=15.453892,a1=174.918924,a2=-120.939118,a3=0.000708,a4=0.709927,a5=0.178487,a6=-0.913193,a7=0.054477,a8=111.449919。使用该模型得到的相关系数可以达到91%,具有较高的拟合程度。
在步骤102中的图像在檀香树干图像上随机所取,需要计算能量均值、能量方差、熵值均值、熵值方差、对比度均值、对比度方差、相关性均值、相关性方差,做主成分分析,提取前三个主成分。并需要计算R分量在RGB中所占比例R/R+G+B。
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 (8)
1.一种檀香树干虫害损伤程度等级图像判别方法,其特征在于含有以下步骤:
檀香树干虫害损伤程度预估模型的建立;
檀香树干虫害损伤程度预测目的的自变量提取;
檀香树干虫害损伤程度等级的判断。
2.根据权利要求1所述的一种檀香树干虫害损伤程度等级图像判别方法,其特征在于檀香树干虫害损伤程度预估模型建立包括:
训练样本和测试样本的选择;
特征提取与特征变换;
确定自变量和因变量的个数和类型;
根据选择的自变量和因变量建立模型。
3.根据权利要求1所述的一种檀香树干虫害损伤程度等级图像判别方法,其特征在于檀香树干虫害损伤程度预测目的的自变量提取包括:
对仪器获取的同一棵檀香树的树干图像进行随机取样,大小为64×64像素,取样均匀,数量充足;
对每一个图像计算8种纹理特征值,分别为能量均值、能量方差、熵值均值、熵值方差、对比度均值、对比度方差、相关性均值、相关性方差;
对8维特征向量做主成分分析进行降维处理;首先进行数据的标准化,最后取前3个主成分作为3个自变量;
计算各个图像中,R分量占占RGB的比例,即计算R/R+G+B作为第4个自变量。
4.根据权利要求1所述的一种檀香树干虫害损伤程度等级图像判别方法,其特征在于檀香树干虫害损伤程度等级的判断包括:
将计算得到的4个自变量代入到模型中去,模型的形式为
其中x1为主成分1的值,x2为主成分2的值,x3为主成分3的值,x4为红色分量占整个RGB系统的比值,即R/R+G+B;
该模型中A=0.095896,B=-0.168075,C=-0.232601,D=15.453892,a1=174.918924,a2=-120.939118,a3=0.000708,a4=0.709927,a5=0.178487,a6=-0.913193,a7=0.054477,a8=111.449919。
5.根据权利要求2所述的一种檀香树干虫害损伤程度等级图像判别方法,其特征在于训练样本和测试样本的选择包括:
根据获取的檀香树干图像手动截取80张64×64像素大小的图像,40张作为训练样本,40张作为测试样本;其中包括部分虫害部分正常的檀香图像、全部为虫害的檀香图像和全部为健康的檀香图像;注意在手动截取过程中随机截取,分散均匀。
6.根据权利要求2所述的一种檀香树干虫害损伤程度等级图像判别方法,其特征在于特征提取与特征变换包括:
利用灰度共生矩阵提取图像的纹理特征;
提取常用的4种纹理特征,分别为能量、熵值、对比度和相关性;
提取过程中为减少计算量,将图像的灰度级压缩为16级,步长选择1,方向为0°,45°,90°和135°;计算四个方向的上的均值和方差得到8维纹理特征向量;
将提取出的8维特征向量进行标准化;
对标准化后的特征值做主成分分析;
提取前三个主成分作为新的纹理特征。
7.根据权利要求2所述的一种檀香树干虫害损伤程度等级图像判别方法,其特征在于确定自变量和因变量的个数和类型包括:
将主成分分析后的前3个主成分作为3个自变量;
对原图像RGB像素统计,计算R分量占RGB的比例,即计算R/R+G+B作为第4个变量;
对截取的样本图像手动分割,统计虫害和正常的像素个数,计算虫害像素占总像素的比例作为因变量。
8.根据权利要求2所述的一种檀香树干虫害损伤程度等级图像判别方法,其特征在于根据选择的自变量和因变量建立模型包括:
对4个因变量和1个自变量建立模型,做一元非线性回归;
模型的形式为:
其中x1为主成分1的值,x2为主成分2的值,x3为主成分3的值,x4为红色分量占整个RGB系统的比值,即R/R+G+B;
该模型中A=0.095896,B=-0.168075,C=-0.232601,D=15.453892,a1=174.918924,a2=-120.939118,a3=0.000708,a4=0.709927,a5=0.178487,a6=-0.913193,a7=0.054477,a8=111.449919;使用该模型得到的相关系数可以达到91%,具有较高的拟合程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071176.XA CN106910214A (zh) | 2017-02-09 | 2017-02-09 | 一种檀香树干虫害损伤程度等级图像判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071176.XA CN106910214A (zh) | 2017-02-09 | 2017-02-09 | 一种檀香树干虫害损伤程度等级图像判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106910214A true CN106910214A (zh) | 2017-06-30 |
Family
ID=59208238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710071176.XA Pending CN106910214A (zh) | 2017-02-09 | 2017-02-09 | 一种檀香树干虫害损伤程度等级图像判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106910214A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862682A (zh) * | 2017-11-03 | 2018-03-30 | 中国林业科学研究院资源信息研究所 | 一种檀香叶片灰斑病危害程度的确定方法和装置 |
CN111259913A (zh) * | 2020-01-14 | 2020-06-09 | 哈尔滨工业大学 | 一种基于词袋模型和纹理特征的细胞光谱图像分类方法 |
CN113177911A (zh) * | 2021-04-13 | 2021-07-27 | 沈阳大学 | 一种叶片无损评价植物臭氧敏感性的方法 |
CN114511511A (zh) * | 2022-01-14 | 2022-05-17 | 西安交通大学 | 一种叶片表面损伤程度的自动判定方法及系统 |
CN114842326A (zh) * | 2022-03-21 | 2022-08-02 | 华南农业大学 | 一种免定标檀香树植株缺苗定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN103440488A (zh) * | 2013-09-03 | 2013-12-11 | 江苏物联网研究发展中心 | 一种虫害识别的方法 |
CN105930769A (zh) * | 2016-04-13 | 2016-09-07 | 北京林业大学 | 一种基于生物生态特征的病虫害发生等级精度验证方法 |
-
2017
- 2017-02-09 CN CN201710071176.XA patent/CN106910214A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN103440488A (zh) * | 2013-09-03 | 2013-12-11 | 江苏物联网研究发展中心 | 一种虫害识别的方法 |
CN105930769A (zh) * | 2016-04-13 | 2016-09-07 | 北京林业大学 | 一种基于生物生态特征的病虫害发生等级精度验证方法 |
Non-Patent Citations (3)
Title |
---|
管泽鑫: "基于图像的水稻病害识别方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
翟治芬等: "基于朴素贝叶斯分类器的棉花盲椿象危害等级识别", 《农业工程学报》 * |
高倩等: "基于 Logistic回归的落叶松毛虫预测模型研究", 《河北农业大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862682A (zh) * | 2017-11-03 | 2018-03-30 | 中国林业科学研究院资源信息研究所 | 一种檀香叶片灰斑病危害程度的确定方法和装置 |
CN111259913A (zh) * | 2020-01-14 | 2020-06-09 | 哈尔滨工业大学 | 一种基于词袋模型和纹理特征的细胞光谱图像分类方法 |
CN113177911A (zh) * | 2021-04-13 | 2021-07-27 | 沈阳大学 | 一种叶片无损评价植物臭氧敏感性的方法 |
CN114511511A (zh) * | 2022-01-14 | 2022-05-17 | 西安交通大学 | 一种叶片表面损伤程度的自动判定方法及系统 |
CN114511511B (zh) * | 2022-01-14 | 2024-02-02 | 西安交通大学 | 一种叶片表面损伤程度的自动判定方法及系统 |
CN114842326A (zh) * | 2022-03-21 | 2022-08-02 | 华南农业大学 | 一种免定标檀香树植株缺苗定位方法 |
CN114842326B (zh) * | 2022-03-21 | 2024-04-02 | 华南农业大学 | 一种免定标檀香树植株缺苗定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106910214A (zh) | 一种檀香树干虫害损伤程度等级图像判别方法 | |
Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
Li et al. | Classification of tree species based on structural features derived from high density LiDAR data | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
Al Bashish et al. | A framework for detection and classification of plant leaf and stem diseases | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
Culvenor | TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery | |
CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
DE102008060789A1 (de) | System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN107194937A (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN104103082A (zh) | 一种基于区域描述和先验知识的图像显著性检测方法 | |
US20160314567A1 (en) | Systems and methods for image/video recoloring, color standardization, and multimedia analytics | |
CN101556600B (zh) | 一种dct域上的图像检索方法 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN110751172A (zh) | 一种弱监督学习的病理全片图像类别推断方法及其系统 | |
CN112733736A (zh) | 基于增强过采样的类别不平衡高光谱图像分类方法 | |
CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
CN109670408A (zh) | 一种基于对象的遥感图像水体提取方法 | |
CN104751461A (zh) | 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法 | |
Beguet et al. | Retrieving forest structure variables from very high resolution satellite images using an automatic method | |
Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
CN104376320B (zh) | 一种用于人造指纹检测的特征提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170630 |