基于计算机视觉和神经网络的芒果外观等级分类研究

针对目前对芒果外观品质分级还是采取人工分级的不足,提出了一种基于计算机视觉和BP神经网络的芒果外观等级分类方法。首先,通过计算机视觉技术获取芒果图像,并利用基本的图像处理方法对芒果图像进行预处理。其次,根据芒果外观特征对芒果外观等级分类的影响,选择芒果的小波特征、缺陷面积所占百分比、颜色H分量值、芒果横径和果形指数等特征作为芒果外观等级分类的特征参数。最后,将提取的8个特征参数作为BP神经网络的输入,以芒果的3个等级分类为输出,建立芒果外观等级分类的神经网络模型,实现了芒果的外观等级分类。试验结果表明了该方法的有效性,识别率达93.3%。     

广州市3种典型人工林碳储量及分布特征研究

采用样方法和取样法,研究广东省广州市流溪河林场黧蒴、木荷、杉木林生态系统碳含量、碳储量及其空间分布特征。结果表明:林木各器官平均碳含量为杉木(490.99 g·kg-1)黧蒴(447.18 g·kg-1)木荷(442.52 g·kg-1),各器官间存在差异,从高到低排列顺序杉木为皮叶枝干根;木荷为干根皮枝叶;黧蒴为叶干枝根皮;林分内乔木层碳储量为黧蒴(103.08 t·hm-2)木荷(83.19 t·hm-2)杉木(20.67 t·hm-2)。地被植物和枯落物碳含量均表现为灌木层草本层枯落物层。林地土壤容重随土层的加深而增大,各层次碳含量呈下降趋势且分布不均,表层(0~25 cm)土壤碳含量较高,3种林分土壤碳储量排序为木荷(154.52 t·hm-2)黧蒴(146.75 t·hm-2)杉木(131.29 t·hm-2)。3种人工林生态系统碳库的空间分布序列为土壤层植被层枯落物层。黧蒴林乔木层年净生产力为9.22 t·hm-2·a-1,是木荷的1.32倍、杉木的1.97倍,年净生产力阔叶林树种大于针叶林杉木;年净固碳量黧蒴为4.12 t·hm-2·a-1,木荷为3.08 t·hm-2·a-1,分别为杉木的1.79和1.34倍;各林分生态系统乔木层同化CO2能力为黧蒴木荷杉木。阔叶树种黧蒴(25 a生)和木荷(27 a生)的林分固碳能力优于针叶树种杉木(9a生)。     

基于内容的医学图像小波融合算法

针对CT和 MR医学图像的融合增强问题,基于小波变换方法,引入边缘检测和二值化处理的思想,对小波变换的融合规则进行改进,即在低频子带融合规则中引入边缘检测图像以保护图像轮廓信息,在高频子带融合规则中引入二值化图像以保护图像的细节信息。数值试验结果表明,该算法能在融合图像中较好地保留边缘和细节信息,使得合成图像更加清晰完整。