全文获取类型
收费全文 | 113篇 |
免费 | 5篇 |
国内免费 | 9篇 |
专业分类
林业 | 6篇 |
农学 | 2篇 |
基础科学 | 29篇 |
16篇 | |
综合类 | 70篇 |
畜牧兽医 | 1篇 |
园艺 | 1篇 |
植物保护 | 2篇 |
出版年
2023年 | 1篇 |
2022年 | 4篇 |
2021年 | 5篇 |
2020年 | 3篇 |
2019年 | 5篇 |
2018年 | 5篇 |
2017年 | 1篇 |
2016年 | 7篇 |
2015年 | 13篇 |
2014年 | 6篇 |
2013年 | 9篇 |
2012年 | 9篇 |
2011年 | 4篇 |
2010年 | 10篇 |
2009年 | 14篇 |
2008年 | 6篇 |
2007年 | 6篇 |
2006年 | 4篇 |
2005年 | 5篇 |
2004年 | 3篇 |
2003年 | 1篇 |
2002年 | 1篇 |
2001年 | 2篇 |
1999年 | 1篇 |
1995年 | 1篇 |
1990年 | 1篇 |
排序方式: 共有127条查询结果,搜索用时 15 毫秒
31.
32.
33.
34.
研究了空间域下基于直方图处理的图像增强算法。通过直方图统计获得具体参数,根据平均值和方差调整图像的强度和对比度,以实现对图像的增强。由于对图像进行全局增强,不能有效突出局部特征,因此重点阐明局部图像增强的算法。试验结果表明,该算法可以有效增强图像的局部细节。 相似文献
35.
36.
基于HJ-1卫星的农田土壤有机质含量监测 总被引:4,自引:1,他引:3
土壤状况是决定农田潜在生产力的主要因素,土壤性状及肥力状况信息可以为精准农田管理提供响应依据。利用遥感技术监测土壤养分含量是一种快速、准确、高效、经济的方法。以农田土壤有机质为研究对象,以HJ-1卫星数据为数据源,采用多元线性回归分析方法,构建有机质含量地面监测模型,通过直方图匹配方法求地面监测模型与HJ-1卫星监测模型之间的傅里叶转换函数,将地面监测模型应用到HJ-1卫星数据,并构建有机质含量遥感监测模型。实现了利用HJ-1卫星遥感数据对试验区土壤有机质含量进行监测。该模型监测结果与地面实际养分具有良好的线性关系,其决定系数0.93,标准差0.57%。在保持了较高精度的同时,避免了其他高光谱模型数据过于昂贵的问题,实现了有机质含量快速、经济监测,易于在农业中应用。 相似文献
37.
基于颜色特征的牧草图像分割方法研究 总被引:1,自引:0,他引:1
针对自然光照条件下牧草图像的分割问题,分别研究了在RGB颜色空间和HSI颜色空间中牧草颜色特征的提取。在RGB颜色空间中,利用2G-B色差特征得到牧草和背景差值最大的色差灰度图像,使用最大类间方差图像分割法对色差灰度图像进行了图像分割。在HSI颜色空间中,根据牧草H分量的分布特点,使用模糊C-均值(FCM)的彩色图像分割方法对牧草的彩色图像进行了有效分割。实验表明,基于HIS彩色空间H色调的FCM方法对牧草的分割能够取得比较理想的效果,经二值化处理后得到的牧草轮廓要比基于2G-B色差特征的最大类间方差分割方法得到的牧草轮廓更加完整。 相似文献
38.
基于CLAHE的苹果树树枝迭代阈值分割方法研究 总被引:3,自引:0,他引:3
针对农业采摘机器人自主导航和采摘过程中的障碍物树枝识别问题,为解决迭代阈值分割算法在目标与背景图像灰度差别不明显情况下的分割缺陷,提出了基于对比度受限自适应直方图均衡化基础上的果树树枝迭代阈值分割方法。首先,通过颜色空间变换,将RGB颜色空间的果树树枝图像转换到XYZ和I1I2I3颜色空间,并提取出X-Y色差因子和I2颜色因子,对其进行灰度差别分析;然后,对灰度差别不明显的图像进行对比度受限直方图均衡化处理后,再进行迭代阈值分割,从而剥离出树枝区域。实验结果显示,采用本文方法,树枝图像分割成功率为92%。 相似文献
39.
为了改善农业喷洒机器人视觉系统中图像的处理效果,对视觉系统采集到的RGB彩色图像进行2G-R-B变换处理。对得到的超绿灰度图像,分别使用对比度拉伸变换和直方图均衡化两种方法进行图像增强处理。比较这两种方法的处理效果,结果表明:直方图均衡化法对田间杂草图像具有较好的增强效果。 相似文献
40.
基于HSV空间颜色直方图的油菜叶片缺素诊断 总被引:1,自引:5,他引:1
为实现快速而准确的油菜缺素诊断,根据不同缺素导致叶片颜色的变化,提出一种基于HSV颜色空间的非均匀直方图量化和组合多个支撑向量机分类器的智能化油菜缺素分析与诊断方法。采用霍格兰配方配制营养液,并使用山崎配方无土栽培技术,模拟正常、缺氮、缺磷、缺钾、缺硼5类营养状况下的油菜生长条件,栽培了一批甘蓝型双低油菜新品种阳光2009,采集幼苗期5类油菜叶片图像建立缺素数据库。首先使用主动轮廓模型分割油菜叶片区域,然后提取分割后的油菜叶片区域的HSV颜色直方图特征,并采用非均匀量化表征不同缺素油菜叶片图像的颜色差异,最后利用一对多方案训练多个支持向量机(support vector machine,SVM)分类器实现不同缺素油菜叶片图像的分类识别。缺素分类试验结果表明,该方法能较准确地判别常见油菜的缺素类型,对5种缺素的总体识别率达到93%,为数字化和智能化的油菜营养分析与诊断提供了一条有效途径。 相似文献