基于灰度共生矩阵的东北虎纹理特征参数

为了确定东北虎个体识别的参数,根据灰度共生矩阵不同方向、不同像素间距、不同灰度级时的特征值变化情况,计算了灰度共生矩阵的7个特征参数.在确定灰度共生矩阵像素间距和灰度级别后,结合Hu不变矩抽象的形状特征公式,并利用BP神经网络对东北虎进行了分类识别,结果证明:灰度共生矩阵法生成的参数有效,可用于对东北虎个体的识别.     

基于灰度共生矩阵和分形的哈密瓜表皮网状纹理分析

根据表皮纹理对哈密瓜进行自动分级。选取基于灰度共生矩阵的4种纹理参数和分形盒维数对哈密瓜表皮纹理进行统计分析,研究哈密瓜以及作为对比组的西瓜和甜瓜关于这5种纹理参数的分布规律。试验结果表明:基于灰度共生矩阵的4种纹理参数能将大部分纹理清晰与纹理模糊、霉变的哈密瓜表皮区分开,分形盒维数则可区分大部分纹理模糊表皮与霉变表皮;这5种纹理参数的组合可区分哈密瓜与西瓜、甜瓜的纹理。     

基于灰度共生矩阵的木材表面缺陷图像的纹理分割方法

针对木材缺陷这一自然纹理型事物,提出了一种基于灰度共生矩阵并结合模糊C均值聚类算法的纹理分割方法.对比了该方法与基于灰度-梯度共生矩阵二维阈值分割算法的分割结果,实验表明:对于木材表面缺陷这类自然纹理图像的分割,纹理分割是行之有效的方法.     

应用改进的灰度共生矩阵识别木材纹理多重特征值

目前木材的主要分类方式是由人的经验进行分类,分类的好坏取决于人的经验。因此机器自动检测分类木材种类变得迫在眉睫,目前机器识别木材种类最主要的方法是应用灰度共生矩阵(GLCM)提取木材纹理特征识别木材种类。但是基于灰度共生矩阵(GLCM)特征提取分类存在缺陷,这是由于木材图片旋转再识别时导致分类精度下降。本研究应用改进的灰度共生矩阵(I-GLCM)提取木材多重特征值,较前人提取的灰度共生矩阵(GLCM)识别木材种类,具有旋转不变性。应用matlab模式识别算法进行训练、分类。结果表明,应用本方法对木材进行分类,分类精度比应用灰度共生矩阵(GLCM)精度高,分类效果较好,是一种新的木材识别方法。     

基于灰度共生矩阵的最小值去除法大气校正效果分析

利用最小值去除法进行大气校正,并用多个反映图像纹理特征的特征量对校正效果进行分析。     

基于纹理模型的檀香咖啡豹蠹蛾虫害图像诊断方法研究

基于纹理特征模型的檀香咖啡豹蠹蛾图像诊断方法,根据健康图像和虫害图像在纹理方面表现出的差异,提出海南省北部县市檀香受咖啡豹蠹蛾虫害“多纹理特征”的确定方法。针对每种图像类型,使用提取出的4维多纹理特征,组合得到6种数学模型,并对其进行评估。结果表明：模型1(自变量为熵值均值-相关性均值,因变量为熵值均值-能量均值)的模型精度与分类精度均为最佳,并且总体分类精度达到91.25%。与逐步聚类算法和K-means聚类算法、Logistic模型二分类法相比,该方法在保证分类精度的前提下减小了计算量,并为之后纹理图像分类提供了参考依据。     

光学影像纹理信息在林业领域的最新应用进展

随着光学卫星影像空间分辨率的不断提高,影像纹理特征的重要性日益凸显。然而,纹理是一个非常复杂的空间属性,会随着太阳/观测角度、地形、感兴趣目标及其所处环境的不同而发生显著的变化。此外,不同纹理变量的选择及相应输入参数的设置,如窗口大小、像元间距、方向以及量化等级等都可能在一定程度上决定着影像纹理的利用价值。如何有效利用纹理量及其优化组合是一个值得深入探讨的问题。鉴于此,本文首先全面回顾了影像纹理特征在森林分类、森林结构参数反演以及森林生物量与碳储量的遥感估算等方面的最新研究与应用,并从不同角度肯定了光学影像纹理在林业遥感领域的应用潜力。此外,从纹理变量及其4大输入参数的选择和最优变量组合的判别方面,总结并剖析了当前研究领域中所存在的关键问题,权衡利弊并给出了相应的建议,为相关研究人员将影像纹理信息更有效地应用于林业领域提供参考。      

基于纹理特征的柳杉锯材表面节疤缺陷的自动识别

根据柳杉锯材表面的纹理特点,构造了适于描述柳杉锯材表面节疤缺陷和正常材纹理特征的空间灰度共生矩阵特征参数群,并优化选择了其中5个纹理特征参数用于区分柳杉锯材表面节疤缺陷和正常材.在统计了柳杉锯材表面死节、活节和正常材的5个纹理特征值分布范围的基础上,根据5个纹理特征值的分布范围及其对死节、活节和正常材的区分度,构建了柳杉锯材表面死节、活节和正常材的相应识别规则,基于图像纹理特征匹配技术开发了柳杉锯材表面节疤缺陷和正常材的自动识别系统.对于300个含有单个和/或复数个节疤缺陷(184个活节和156个死节)的柳杉锯材图像的自动识别试验结果显示,活节和死节的正确识别率分别为83.2%和90.4%,识别精度表明,基于图像纹理特征匹配技术对柳杉锯材表面的节疤缺陷进行自动识别是有效可行的.     

基于纹理信息的森林蓄积量估计

以河北省秦皇岛市山海关公益林为研究对象,结合Landsat TM数据和森林资源二类调查数据,运用灰度共生矩阵分析法提取纹理信息,采用逐步回归法建立多元线性回归模型,进行森林蓄积量的估算。结果表明:选取纹理因子参与建模,建立的线性回归方程的拟合效果较好,估测模型的R~2值达0.766,估计值的标准误差最小,标准误差最小值为28.036,说明纹理因子对提高森林蓄积量的估测精度有重要影响。     

基于GLCM纹理特征提取的黄瓜叶部病害检测算法研究

针对传统的植物叶部病害检测算法复杂的特点,提出了一种基于GLCM纹理特征提取的植物叶部病害检测算法。以黄瓜叶部炭疽病为研究对象,利用K-means聚类算法进行图像阈值分割,并利用灰度共生矩阵提取样本的能量均值、熵均值、对比度均值和相关均值等4种纹理特征参数,通过参数训练,确定无病害区和有病害区参数的区域,进而判定样本的病害情况。结果表明该算法实现效率高、鲁棒性较好。     

基于灰色关联度和纹理分析的图像边缘检测算法

针对LOG算子中噪声平滑能力与边缘定位能力之间的矛盾,把灰色关联理论同LOG边缘检测算子及图像的纹理分析结合起来,利用图像中某一点及其邻域像素的分布和模板的分布规律的相似程度,提出了基于灰色关联度和纹理分析的图像边缘检测算法,给出了算法的具体实现过程。结果表明,设计的边缘检测算法在相同的空间系数下,能够检测到更加丰富的图像边缘,并且边缘的连续性较好。     

基于TPA法评价枣果实质地及聚类分析

【目的】研究基于TPA法评价枣果质地及聚类分析,准确客观描述枣果实质地,建立标准化、统一化的鲜枣果实质地,评价方法。【方法】以56个枣品种为材料,采用质构仪质地多面分析试验法,对比分析果实口感评价对果实采后质地。【结果】果实硬度与果实弹性和咀嚼性均呈极显著正相关,咀嚼性与弹性呈极显著正相关,弹性与凝聚性呈显著负相关。品种间果实粘附性差异不大,硬度和凝聚性差异较大。通过主成分分析将10个指标(质构仪参数和果实口感指标)组合形成适口性、凝聚性、口感粘附、果肉紧实、果肉粗细和用途,6个主成分累计贡献率达到90.30%。供试56个品种中,赞2果实硬度最大,东陵无核小枣凝聚性最高,京枣39凝聚性最低;哈八、赞2、京枣39、晋赞大枣4个品种弹性和咀嚼性好。用聚类分析方法将56个品种分为中间类群、低弹软质群和高弹硬质群3类。【结论】枣品种间口感差异较大,质构仪质地多面分析法测得的力学参数可以用于枣质地评价,聚类分析与口感评价对比发现低弹软质群的品质优于其他两个类群。     

基于CBERS-02B星数据的竹林、针叶林纹理特征变化分析

纹理特征是遥感影像的重要特征之一。本研究以湖南省桃江县为研究对象,利用CBERS-02B星为遥感数据源,采用灰度共生矩阵法提取影像纹理特征。根据纹理参数的标准差和各参数间的相关性,对纹理参数进行了筛选,并对竹林和针叶林的均值和方差的季相变化特征进行了统计和分析。结果表明:在5月、8月和12月之间,竹林均值逐渐减小而针叶林在8月份出现峰值,针叶林标准差逐渐增大,而竹林在8月份出现峰值。     

基于GIS的村级尺度统计数据空间化方法与时序分析初探

选择重庆市巴南区石龙镇大连村、大兴村、白马村、金星村、合路村、柏树村、大桥村、大园村和中伦村9个行政村作为研究区,将研究区的遥感影像、数字高程模型、行政界线等数据的空间参考坐标系统一为1980西安坐标系,选择2006-2012年研究区的农用肥施用量数据作为村级尺度统计数据空间化方法研究的研究数据,利用专家打分法对不同土地利用类型与农用肥施用之间的相关性进行打分,分值范围是0~1分。结合村级行政界线、行政村面积、农用肥施用量、土地利用数据和专家打分结果,构建农用肥施用数据空间化模型,分别生成2006-2012年村级农用肥施用数据空间化分布栅格数据,栅格尺度选择1、10、100和200 m这4种,并对栅格化结果进行对比分析。同时,对2006-2012年的农用肥施用空间分布数据进行时序分析,获取农用肥施用量的动态变化趋势。通过研究得到以下结论:1村级农用肥施用量数据空间化尺度与土地利用数据的类型及空间分辨率有关;2研究区各行政村农用肥施用量在2006-2012年期间总体变化趋于平稳。本研究对于实现村级统计数据空间化方法具有一定的参考意义,而空间化后的村级统计数据对于进行村镇区域规划、土地整改、生态环境保护等具有重要指导意义。     

灰色系统分析方法及在建筑热湿系统中的应用研究

在分析系统及系统分析方法的基础上，详尽讨论了灰色系统分析方法的基本含义，主要内容及其基本特点，分析了求解建筑热湿负荷的国内外现状及建筑热湿负荷的影响因素，指出建筑热湿系统是一非本征灰色系统，并对灰色系统分析方法如何应用于建筑热湿系统提供了思路，最后指出该方法能够得到建筑热湿负荷的“满意解”。     

基于分形维数的图像纹理分析

利用分数维能够把图像的空间信息和灰度信息有机结合起来的特性,提出了一种基于分形维数的图像纹理分析方法.为了更准确地描述纹理表面的粗糙度,该方法首先将纹理图像进行6种灰度变换并计算其相应的分形维数,同时采用H lder指数作为描述图像纹理的奇异性特征,然后利用提取的纹理特征对图像进行纹理分割.实验结果表明:采用该方法所分割的图像能很好地体现图像的纹理分布.