CN107464260A - 一种采用无人机的水稻冠层图像处理方法 - Google Patents
一种采用无人机的水稻冠层图像处理方法 Download PDFInfo
- Publication number
- CN107464260A CN107464260A CN201710547300.5A CN201710547300A CN107464260A CN 107464260 A CN107464260 A CN 107464260A CN 201710547300 A CN201710547300 A CN 201710547300A CN 107464260 A CN107464260 A CN 107464260A
- Authority
- CN
- China
- Prior art keywords
- picture
- pixel
- image
- unmanned plane
- rice
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 52
- 235000009566 rice Nutrition 0.000 title claims abstract description 52
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 229910001566 austenite Inorganic materials 0.000 claims description 6
- 230000006837 decompression Effects 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000001066 destructive effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明属于图片处理领域，公开了一种采用无人机的水稻冠层图像处理方法，将摄像头固定在无人机上，获取初始拍摄图片，对图片像素点进行处理，生成本次的拍摄图片，彩色图像灰度处理，图像噪声消除，冠层孔隙度提取，计算叶面积指数。本发明避免设备和野外采摘水稻叶片进行破坏性人工测量，通过无人机能实时快速获取水稻冠层LAI，为实时监测水稻长势、进行水稻遥感估产提供基础参数。将初始曝光拍摄的图片与一张或多张基于较大曝光值曝光拍摄得到的图片进行综合计算，以像素点为单位进行补偿，能够有效地提升图片的信噪比，可以明显地提升图片的暗部细节，且不需要进行器械升级，成本较为低廉。
Description
技术领域
本发明属于图片处理技术领域，尤其涉及一种采用无人机的水稻冠层图像处理方法。
背景技术
水稻是我国最主要的粮食作物之一。水稻叶片是水稻与外界环境发生相互作用的主要场所，水稻的许多生物物理过程，包括光合、呼吸、蒸腾和降水截获等过程，都发生在叶片。叶面积指数(LAI)反映了单位地表上植物叶片的总面积。它决定了水稻对辐射、水分等的利用和管理的能力。因此，LAI是反映水稻生长状况，估计水稻产量的重要指标；然而在获取水稻冠层图片效果不佳，信噪比低，图片暗部细节不清楚。
综上所述，现有技术存在的问题是：传统拍摄容易造成水稻损坏，同时获取水稻冠层图片效果不佳，信噪比低，图片暗部细节不清楚。
发明内容
针对现有技术存在的问题，本发明提供了一种采用无人机的水稻冠层图像处理方法，
本发明是这样实现的，该采用无人机的水稻冠层图像处理方法包括以下步骤：
步骤一、将摄像头固定在无人机上，操控无人机镜头主光轴与水稻冠层垂直平面成57度角，从水稻冠层上方拍摄水稻冠层原始彩色图像；
步骤二、获取初始拍摄图片，在对当前被摄对象的拍摄过程中，基于预设的初始曝光值对所述被摄对象进行拍摄，获得对应的初始图片；
步骤三、对图片像素点进行处理，对初始图片中每一位置处像素点的像素值、补偿图片对应位置处像素点的像素值进行计算，得到各个位置处像素点的综合像素值；
步骤四、生成本次的拍摄图片，根据计算得到的每一个像素坐标位置处像素点的综合像素值，生成完整的图片作为本次的拍摄图片；
步骤五、彩色图像灰度处理，将经过步骤四中获得的水稻冠层彩色图像通过图像处理软件转换为灰度图像，将该灰度图像转换为只含有“黑”、“白”两种象元的二值图像，存放在电脑中；
步骤六、图像噪声消除，采用变形核为5×5的中值滤波的方法处理步骤S105中获得的二值图像，消除图像中的椒盐噪声或斑点；
步骤七、冠层孔隙度提取，从步骤六处理得到的二值图像直接提取水稻冠层57度视角孔隙度；
步骤八、计算叶面积指数，根据水稻冠层叶面积指数与57.5度视角的冠层孔隙度的关系计算叶面积指数。
进一步，在步骤三中，将初始图片和各个补偿图片中，相同像素坐标位置处的像素点的像素值进行求平均计算，得到综合像素值；
基于像素点的像素值给补偿图片中的像素点确定权重值，并为所述初始图片中的像素点确定权重值，再基于确定的权重值进行加权平均计算，得到每一个像素坐标位置处像素点的综合像素值；
根据实际对画质的需要，针对补偿图片中的像素点进行分类，将补偿图片中正常曝光像素点赋予高权重值，将过曝光像素点赋予低权重值甚至0权重值，将各补偿图片和初始图片中同一像素坐标位置处的像素点进行加权平均，最终得到信噪比更好的图片。
进一步，所述冠层孔隙度提取，通过象元统计方法计算冠层孔隙度，
即：冠层孔隙度＝背景象元数量/图像象元总数量；
以57度的视角天顶角拍摄的图像，因此得到的冠层孔隙度就是57度视角的冠层孔隙度。
进一步，所述无人机上安装有系留电源装置，系留电源装置包括相互连接的降压/稳压电路和第二滤波电路，所述降压/稳压电路连接输电线缆，所述第二滤波电路连接系留电源装置的直流输出端；
所述系留电源装置还包括备用电池，所述备用电池以与所述系留电源装置的直流输出端并联的方式连接所述第二滤波电路，其中所述备用电池用于在地面供电装置或系留电源装置出现故障时，给多旋翼无人飞行器提供安全降落地面的电能。
进一步，在步骤三中，对图片像素点进行处理包括：
用于提供水印嵌入的图像信息的原始载体图像输入单元和水印图像输入单元；
与原始载体图像输入单元相连，用于对数字载体图像进行小波变换的小波变换单元；
与水印图像输入单元相连，用于变换水印图像产生相息图的相息图产生单元；
与小波变换单元和相息图产生单元相连，用于获取数字图像、待嵌入的水印位流串的数字信号的获取单元；
与获取单元相连接，用于将获取单元获取的嵌入水印的数字图像的全部或部分像素点分组的分组单元；
与分组单元相连，用于将相息图加权的数字分组的像素点和数字图像小波变换分组的像素点低频系数合成的合并单元；
与合并单元相连，用于将合成后的分组像素点低频系数进行小波逆转变从而生成含嵌入水印的图像的小波逆转变单元。
进一步，在步骤五中，彩色图像灰度处理，采用词嵌入技术，计算图像识别的候选结果与说明文字的关联度，去除关联度低的候选结果，提升图像识别的准确率；
具体步骤如下：
图片、文字描述对的提取；
对于图像，采用深度学习技术，训练神经网络识别，识别结果为类别概率序列(C1，P1)，(C2，P2)，……(Cn,Pn)，所述类别概率序列按照概率排序，具体为P1≥P2≥……≥Pn；采用的神经网络有但不限于AlexNet，GoogLeNet，VGG，Inception，ResNet；
对于图像识别，取前m项识别结果(C1，P1)，(C2，P2)，……(Cm,Pm)(m≤n)，参与后续处理；
对于描述文字，通过名词识别技术识别出文字里的名词序列，对名词序列进行去掉重复的名词后得到的名词序列记为N1,N2,…Nk；
词向量的训练与计算；
采用词向量近似度对图像识别结果进行过滤来提升识别准确性。
进一步，在步骤六中，图像噪声消除包括：
a)对于新闻图片，提取新闻标题，将提取的新闻标题作为对新闻图片的文字描述；
b)对于电商图片，提取电商产品的描述，将提取的电商产品的描述作为对电商图片的文字描述。
进一步，在步骤七中，冠层孔隙度提取包括：
1)采用新闻语料，训练新闻词向量模型；采用电商语料，训练电商词向量模型；选择对应的词向量模型计算名词序列的词向量；
2)计算名词序列N1,N2,…Nk的词向量，记为Vn1,Vn2,…Vnk；
3)计算类别序列C1,C2,…Cm的词向量，记为Vc1,Vc2,…Vcm。
本发明的优点及积极效果为：本发明避免设备和野外采摘水稻叶片进行破坏性人工测量，通过无人机能实时快速获取水稻冠层LAI，为实时监测水稻长势、进行水稻遥感估产提供基础参数。将初始曝光拍摄的图片与一张或多张基于较大曝光值曝光拍摄得到的图片进行综合计算，以像素点为单位进行补偿，能够有效地提升图片的信噪比，可以明显地提升图片的暗部细节，且不需要进行器械升级，成本较为低廉。
附图说明
图1是本发明实施提供的采用无人机的水稻冠层图像处理方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明实施例提供的采用无人机的水稻冠层图像处理方法包括以下步骤：
S101、将摄像头固定在无人机上，操控无人机镜头主光轴与水稻冠层垂直平面成57度角，从水稻冠层上方拍摄水稻冠层原始彩色图像；
S102、获取初始拍摄图片，在对当前被摄对象的拍摄过程中，基于预设的初始曝光值对所述被摄对象进行拍摄，获得对应的初始图片；
S103、对图片像素点进行处理，对初始图片中每一位置处像素点的像素值、补偿图片对应位置处像素点的像素值进行计算，得到各个位置处像素点的综合像素值；
S104、生成本次的拍摄图片，根据计算得到的每一个像素坐标位置处像素点的综合像素值，生成完整的图片作为本次的拍摄图片；
S105、彩色图像灰度处理，将经过S104中获得的水稻冠层彩色图像通过图像处理软件转换为灰度图像，将该灰度图像转换为只含有“黑”、“白”两种象元的二值图像，存放在电脑中；
S106、图像噪声消除，采用变形核为5×5的中值滤波的方法处理S105中获得的二值图像，消除图像中的椒盐噪声或斑点；
S107、冠层孔隙度提取，从S106处理得到的二值图像直接提取水稻冠层57度视角孔隙度；
S108、计算叶面积指数，根据水稻冠层叶面积指数与57.5度视角的冠层孔隙度的关系计算叶面积指数。
进一步，在S103中，将初始图片和各个补偿图片中，相同像素坐标位置处的像素点的像素值进行求平均计算，得到综合像素值；
基于像素点的像素值给补偿图片中的像素点确定权重值，并为所述初始图片中的像素点确定权重值，再基于确定的权重值进行加权平均计算，得到每一个像素坐标位置处像素点的综合像素值；
根据实际对画质的需要，针对补偿图片中的像素点进行分类，将补偿图片中正常曝光像素点赋予高权重值，将过曝光像素点赋予低权重值甚至0权重值，将各补偿图片和初始图片中同一像素坐标位置处的像素点进行加权平均，最终得到信噪比更好的图片。
所述冠层孔隙度提取，通过象元统计方法计算冠层孔隙度，
即：冠层孔隙度＝背景象元数量/图像象元总数量；
以57度的视角天顶角拍摄的图像，因此得到的冠层孔隙度就是57度视角的冠层孔隙度。
所述无人机上安装有系留电源装置，系留电源装置包括相互连接的降压/稳压电路和第二滤波电路，所述降压/稳压电路连接输电线缆，所述第二滤波电路连接系留电源装置的直流输出端；
所述系留电源装置还包括备用电池，所述备用电池以与所述系留电源装置的直流输出端并联的方式连接所述第二滤波电路，其中所述备用电池用于在地面供电装置或系留电源装置出现故障时，给多旋翼无人飞行器提供安全降落地面的电能。
在S103中，对图片像素点进行处理包括：
用于提供水印嵌入的图像信息的原始载体图像输入单元和水印图像输入单元；
与原始载体图像输入单元相连，用于对数字载体图像进行小波变换的小波变换单元；
与水印图像输入单元相连，用于变换水印图像产生相息图的相息图产生单元；
与小波变换单元和相息图产生单元相连，用于获取数字图像、待嵌入的水印位流串的数字信号的获取单元；
与获取单元相连接，用于将获取单元获取的嵌入水印的数字图像的全部或部分像素点分组的分组单元；
与分组单元相连，用于将相息图加权的数字分组的像素点和数字图像小波变换分组的像素点低频系数合成的合并单元；
与合并单元相连，用于将合成后的分组像素点低频系数进行小波逆转变从而生成含嵌入水印的图像的小波逆转变单元。
在S105中，彩色图像灰度处理，采用词嵌入技术，计算图像识别的候选结果与说明文字的关联度，去除关联度低的候选结果，提升图像识别的准确率；
具体步骤如下：
图片、文字描述对的提取；
对于图像，采用深度学习技术，训练神经网络识别，识别结果为类别概率序列(C1，P1)，(C2，P2)，……(Cn,Pn)，所述类别概率序列按照概率排序，具体为P1≥P2≥……≥Pn；采用的神经网络有但不限于AlexNet，GoogLeNet，VGG，Inception，ResNet；
对于图像识别，取前m项识别结果(C1，P1)，(C2，P2)，……(Cm,Pm)(m≤n)，参与后续处理；
对于描述文字，通过名词识别技术识别出文字里的名词序列，对名词序列进行去掉重复的名词后得到的名词序列记为N1,N2,…Nk；
词向量的训练与计算；
采用词向量近似度对图像识别结果进行过滤来提升识别准确性。
在S106中，图像噪声消除包括：
a)对于新闻图片，提取新闻标题，将提取的新闻标题作为对新闻图片的文字描述；
b)对于电商图片，提取电商产品的描述，将提取的电商产品的描述作为对电商图片的文字描述。
在S107中，冠层孔隙度提取包括：
1)采用新闻语料，训练新闻词向量模型；采用电商语料，训练电商词向量模型；选择对应的词向量模型计算名词序列的词向量；
2)计算名词序列N1,N2,…Nk的词向量，记为Vn1,Vn2,…Vnk；
3)计算类别序列C1,C2,…Cm的词向量，记为Vc1,Vc2,…Vcm。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种采用无人机的水稻冠层图像处理方法，其特征在于，所述采用无人机的水稻冠层图像处理方法包括以下步骤：
步骤一、将摄像头固定在无人机上，操控无人机镜头主光轴与水稻冠层垂直平面成57度角，从水稻冠层上方拍摄水稻冠层原始彩色图像；
步骤二、获取初始拍摄图片，在对当前被摄对象的拍摄过程中，基于预设的初始曝光值对所述被摄对象进行拍摄，获得对应的初始图片；
步骤三、对图片像素点进行处理，对初始图片中每一位置处像素点的像素值、补偿图片对应位置处像素点的像素值进行计算，得到各个位置处像素点的综合像素值；
步骤四、生成本次的拍摄图片，根据计算得到的每一个像素坐标位置处像素点的综合像素值，生成完整的图片作为本次的拍摄图片；
步骤五、彩色图像灰度处理，将经过步骤四中获得的水稻冠层彩色图像通过图像处理软件转换为灰度图像，将该灰度图像转换为只含有“黑”、“白”两种象元的二值图像，存放在电脑中；
步骤六、图像噪声消除，采用变形核为5×5的中值滤波的方法处理步骤S105中获得的二值图像，消除图像中的椒盐噪声或斑点；
步骤七、冠层孔隙度提取，从步骤六处理得到的二值图像直接提取水稻冠层57度视角孔隙度；
步骤八、计算叶面积指数，根据水稻冠层叶面积指数与57.5度视角的冠层孔隙度的关系计算叶面积指数。
2.如权利要求1所述的采用无人机的水稻冠层图像处理方法，其特征在于，在步骤三中，将初始图片和各个补偿图片中，相同像素坐标位置处的像素点的像素值进行求平均计算，得到综合像素值；
基于像素点的像素值给补偿图片中的像素点确定权重值，并为所述初始图片中的像素点确定权重值，再基于确定的权重值进行加权平均计算，得到每一个像素坐标位置处像素点的综合像素值；
根据实际对画质的需要，针对补偿图片中的像素点进行分类，将补偿图片中正常曝光像素点赋予高权重值，将过曝光像素点赋予低权重值甚至0权重值，将各补偿图片和初始图片中同一像素坐标位置处的像素点进行加权平均，最终得到信噪比更好的图片。
3.如权利要求1所述的采用无人机的水稻冠层图像处理方法，其特征在于，所述冠层孔隙度提取，通过象元统计方法计算冠层孔隙度，
即：冠层孔隙度＝背景象元数量/图像象元总数量；
以57度的视角天顶角拍摄的图像，因此得到的冠层孔隙度就是57度视角的冠层孔隙度。
4.如权利要求1所述的采用无人机的水稻冠层图像处理方法，其特征在于，所述无人机上安装有系留电源装置，系留电源装置包括相互连接的降压/稳压电路和第二滤波电路，所述降压/稳压电路连接输电线缆，所述第二滤波电路连接系留电源装置的直流输出端；
所述系留电源装置还包括备用电池，所述备用电池以与所述系留电源装置的直流输出端并联的方式连接所述第二滤波电路，其中所述备用电池用于在地面供电装置或系留电源装置出现故障时，给多旋翼无人飞行器提供安全降落地面的电能。
5.如权利要求1所述的采用无人机的水稻冠层图像处理方法，其特征在于，在步骤三中，对图片像素点进行处理包括：
用于提供水印嵌入的图像信息的原始载体图像输入单元和水印图像输入单元；
与原始载体图像输入单元相连，用于对数字载体图像进行小波变换的小波变换单元；
与水印图像输入单元相连，用于变换水印图像产生相息图的相息图产生单元；
与小波变换单元和相息图产生单元相连，用于获取数字图像、待嵌入的水印位流串的数字信号的获取单元；
与获取单元相连接，用于将获取单元获取的嵌入水印的数字图像的全部或部分像素点分组的分组单元；
与分组单元相连，用于将相息图加权的数字分组的像素点和数字图像小波变换分组的像素点低频系数合成的合并单元；
与合并单元相连，用于将合成后的分组像素点低频系数进行小波逆转变从而生成含嵌入水印的图像的小波逆转变单元。
6.如权利要求1所述的采用无人机的水稻冠层图像处理方法，其特征在于，在步骤五中，彩色图像灰度处理，采用词嵌入技术，计算图像识别的候选结果与说明文字的关联度，去除关联度低的候选结果，提升图像识别的准确率；
具体步骤如下：
图片、文字描述对的提取；
对于图像，采用深度学习技术，训练神经网络识别，识别结果为类别概率序列(C1，P1)，(C2，P2)，……(Cn,Pn)，所述类别概率序列按照概率排序，具体为P1≥P2≥……≥Pn；采用的神经网络有但不限于AlexNet，GoogLeNet，VGG，Inception，ResNet；
对于图像识别，取前m项识别结果(C1，P1)，(C2，P2)，……(Cm,Pm)(m≤n)，参与后续处理；
对于描述文字，通过名词识别技术识别出文字里的名词序列，对名词序列进行去掉重复的名词后得到的名词序列记为N1,N2,…Nk；
词向量的训练与计算；
采用词向量近似度对图像识别结果进行过滤来提升识别准确性。
7.如权利要求1所述的采用无人机的水稻冠层图像处理方法，其特征在于，在步骤六中，图像噪声消除包括：
a)对于新闻图片，提取新闻标题，将提取的新闻标题作为对新闻图片的文字描述；
b)对于电商图片，提取电商产品的描述，将提取的电商产品的描述作为对电商图片的文字描述。
8.如权利要求1所述的采用无人机的水稻冠层图像处理方法，其特征在于，在步骤七中，冠层孔隙度提取包括：
1)采用新闻语料，训练新闻词向量模型；采用电商语料，训练电商词向量模型；选择对应的词向量模型计算名词序列的词向量；
2)计算名词序列N1,N2,…Nk的词向量，记为Vn1,Vn2,…Vnk；
3)计算类别序列C1,C2,…Cm的词向量，记为Vc1,Vc2,…Vcm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547300.5A CN107464260A (zh) | 2017-07-06 | 2017-07-06 | 一种采用无人机的水稻冠层图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547300.5A CN107464260A (zh) | 2017-07-06 | 2017-07-06 | 一种采用无人机的水稻冠层图像处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107464260A true CN107464260A (zh) | 2017-12-12 |
Family
ID=60546675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710547300.5A Pending CN107464260A (zh) | 2017-07-06 | 2017-07-06 | 一种采用无人机的水稻冠层图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107464260A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764095A (zh) * | 2018-05-21 | 2018-11-06 | 山东农业大学 | 基于Haar-like特征的水稻病害白穂识别方法及系统 |
| CN109975250A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数反演方法及装置 |
| CN110866990A (zh) * | 2019-12-09 | 2020-03-06 | 浙江顿悟科技有限公司 | 一种基于无人机的电力巡检方法 |
| CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
| CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
| CN113256567A (zh) * | 2021-05-08 | 2021-08-13 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482965A (zh) * | 2009-01-05 | 2009-07-15 | 深圳大学 | 数字水印嵌入和检测方法及装置 |
| CN102331244A (zh) * | 2011-08-10 | 2012-01-25 | 浙江大学 | 利用普通数码相机获取水稻冠层叶面积指数的方法 |
| WO2014122256A1 (en) * | 2013-02-08 | 2014-08-14 | Universita' Degli Studi Di Milano | Method and electronic equipment for determining a leaf area index |
| CN104823437A (zh) * | 2014-06-12 | 2015-08-05 | 深圳市大疆创新科技有限公司 | 一种图片处理方法、装置 |
| CN106529606A (zh) * | 2016-12-01 | 2017-03-22 | 中译语通科技（北京）有限公司 | 一种提升图像识别准确率的方法 |
-
2017
- 2017-07-06 CN CN201710547300.5A patent/CN107464260A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482965A (zh) * | 2009-01-05 | 2009-07-15 | 深圳大学 | 数字水印嵌入和检测方法及装置 |
| CN102331244A (zh) * | 2011-08-10 | 2012-01-25 | 浙江大学 | 利用普通数码相机获取水稻冠层叶面积指数的方法 |
| WO2014122256A1 (en) * | 2013-02-08 | 2014-08-14 | Universita' Degli Studi Di Milano | Method and electronic equipment for determining a leaf area index |
| CN104823437A (zh) * | 2014-06-12 | 2015-08-05 | 深圳市大疆创新科技有限公司 | 一种图片处理方法、装置 |
| CN106529606A (zh) * | 2016-12-01 | 2017-03-22 | 中译语通科技（北京）有限公司 | 一种提升图像识别准确率的方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764095A (zh) * | 2018-05-21 | 2018-11-06 | 山东农业大学 | 基于Haar-like特征的水稻病害白穂识别方法及系统 |
| CN109975250A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数反演方法及装置 |
| CN110866990A (zh) * | 2019-12-09 | 2020-03-06 | 浙江顿悟科技有限公司 | 一种基于无人机的电力巡检方法 |
| CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
| CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
| CN113256567A (zh) * | 2021-05-08 | 2021-08-13 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
| CN113256567B (zh) * | 2021-05-08 | 2023-09-22 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107464260A (zh) | 一种采用无人机的水稻冠层图像处理方法 | |
| CN107945118B (zh) | 一种基于生成式对抗网络的人脸图像修复方法 | |
| CN108520504B (zh) | 一种基于生成对抗网络端到端的模糊图像盲复原方法 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
| Cai et al. | Dehazenet: An end-to-end system for single image haze removal | |
| CN104851099B (zh) | 一种基于表示学习的图像融合方法 | |
| CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
| CN106469302A (zh) | 一种基于人工神经网络的人脸肤质检测方法 | |
| CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
| CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
| CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
| CN109903299A (zh) | 一种条件式生成对抗网络的异源遥感图像配准方法及装置 | |
| CN109712127A (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
| CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
| CN110020658A (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
| Chunyang et al. | Sea fog detection using U-Net deep learning model based on MODIS data | |
| CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
| CN110163157A (zh) | 一种利用新型损失函数进行多人姿态估计的方法 | |
| Andersson et al. | Combining street-level and aerial images for dengue incidence rate estimation | |
| CN108664886A (zh) | 一种适应变电站进出监控需求的人脸快速识别方法 | |
| CN111126155A (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
| Shibata et al. | Restoration of sea surface temperature satellite images using a partially occluded training set | |
| CN110910320B (zh) | 一种基于奇异值分解的人脸图像光照复原方法 | |
| CN108304818A (zh) | 一种蚊媒图像自动识别方法 |
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: 20171212 |