沙枣育苗造林技术

沙枣为胡颓子科胡颓子属植物，其适应性强，抗风沙，耐盐碱，生长迅速，枝叶繁茂，不仅防风固沙作用大，而且修枝抚育出柴量高。木材纹理美观，材质坚韧，广泛用作农具、家具、矿柱等材。沙枣既可食用，也可酿酒、酿醋。干叶营养成分高于刺槐叶而接近苜蓿，是很好的饲料。花香味浓，是很好的蜜源。花果、枝叶、树皮均可入药。沙枣是我国西北荒漠、半荒漠地区、黄土高原西北部风沙沿线营造防护林、四旁绿化及城市工矿区绿化的重要树种。     

《幽默人生》

来宾卷纹石产于来宾县迁江河段。此类石种卷纹丰富，造型多变，十分珍贵。此石形态奇谲，纹理醒目，呈一具人物侧面头像。从额头至鼻尖成一弧线状。然后内敛而勾勒出一张大嘴巴，那一只内凹的大眼睛充满灵气，笑逐颜开，幽默滑稽，颇具漫画人物那种风趣，夸张的类艺术表现手法。     

基于纹理和位置特征的麦田杂草识别方法

以化学防除适期麦田杂草为研究对象,对利用条播作物的位置和纹理特征识别田间杂草的方法进行了研究。根据条播作物小麦作物行的间距相对固定等位置特征,利用植物像素直方图法确定作物行的中心线和行宽,并识别行间杂草。然后,以作物行中心为基准来选取纹理块,计算量化级数为8级的H颜色空间的共生矩阵,提取5个纹理特征参数,利用K均值聚类法判别分析各块的类别来识别行内杂草。研究结果表明,杂草的正确识别率约为93％,作物的错误识别率约为7％。     

基于光谱与纹理特征融合的绿萝叶绿素含量检测

[目的]本文旨在快速测定植物体内叶绿素含量,以提高无损测定叶绿素的准确性.[方法]以绿萝叶片为研究对象,提出一种串联融合高光谱特征与纹理特征的叶绿素SPAD值的无损检测方法.采集320片绿萝叶片样本在400～900 nm波段的光谱信息,使用Savitzky-Golay卷积平滑对原始高光谱图像进行预处理,利用连续投影算法...     

基于MatLab和DSP的哈密瓜纹理分割与分类

以新疆特色水果哈密瓜为研究对象,提出一种利用Matlab辅助DSP提取哈密瓜纹理的方法。该方法首先利用Matlab把待处理的图像转换为数据文件(dat文件),然后利用DSP强大的运算能力分割哈密瓜表面纹理特征,并将分割结果同样以dat文件传递给Mat Lab,最后利用Mat Lab强大的数据分析与图像显示能力建立哈密瓜分类模型。实验结果表明,该方法能够有效地对哈密瓜表面纹理进行分割与分类,分类准确率为88.10%。该方法不但能够缩短DSP系统的开发周期,且能够为今后开发基于DSP的哈密瓜品质实时检测系统奠定基础。     

基于人工神经网络的田间秸秆覆盖率检测系

以VC++为工具,田间实拍图像为研究对象,在分析田间秸秆和土壤纹理特征差别的基础上,设计了BP神经网络秸秆覆盖率检测系统。该系统采用了神经网络与纹理特征相结合的方法提取秸秆,并以纹理特征熵值为标准建立了网络输入层学习样本选取准则。人工模拟和田间试验表明,设计的BP神经网络秸秆覆盖率检测系统对田间秸秆的识别率达90%以上,秸秆覆盖率计算误差可控制在5%以内;与传统的拉绳法相比,检测效率提高     

HJ-1卫星延寿期的CCD影像质量评价与可用性分析

HJ-1卫星发射升空投入运行以来,已在灾害与环境的快速监测与预报领域发挥了重要作用。HJ-1卫星目前已经成功运行3a多,属于超期服役状态。为了评价延寿期影像质量,该文从影像的几何校正精度、灰度特征和纹理特征3个方面对延寿期HJ-1A-CCD影像进行分析,并与正常寿命运行期的HJ-1ACCD影像、同时期的Landsat7 ETM+影像进行比较,分析结果表明:延寿期HJ-1A-CCD影像质量虽然有一定程度的下降,但其与正常寿命期影像质量接近,仍能较好地描述丰富的地物类型及地物细节信息,可以像正常寿命期影像一样,有效地用于环境监测、灾害监测、国土资源管理、城市规划、农业应用等方面。     

基于Curvelet-散射特征的图像纹理分类

在二代曲线波的基础上,提出一种旋转不变曲波特征,然后结合具有平移不变性和Lipschitz连续性的散射向量特征用于对纹理图像的分类研究.通过系统分析以及严格实验可以得出,旋转不变曲波纹理特征优于广泛使用的Gabor纹理特征,且Curvelet-散射组合特征在纹理分类上具有很高准确率以及计算纹理特征的效率,和单一的散射特征相比,具有一定的优势.     

基于小波分解的纹理分割的农机化应用研究

农业机械自动导航是农业自动化的重要标志之一,其中图像分割技术已成为农业机械导航的重要环节.为此,根据已收割和未收割的农作物图像具有不同纹理特征的性质,采用小波分解方法,对农作物图像的自动分割进行了大量实验研究,并且与纹理分割常用的Laws能量特征法进行了实验效果和运行效率对比.理论分析和实验结果均表明:基于小波分解的纹理分割方法,完全适用于农业机械导航中的农作物图像自动分割.     

基于机器视觉的温室番茄裂果检测

该文通过对温室番茄果实进行定位及裂果检测,可为番茄裂果率预估及后续裂果自动筛选提供参考。针对自然光照下采集的各类番茄图像,在相关颜色空间中进行阈值预分割,利用前期支持向量机训练得到的纹理特征分类器对预分割区域进行二次判别;之后在前景区域利用显著性角点分割构造边缘轮廓集,利用基于最小二乘法修正的改进霍夫变换拟合单个番茄目标;最后利用二维Gabor小波算子对拟合的单个番茄区域进行纹理特征提取及裂果判别。文中共采集82幅番茄图像,其中50幅图像作为训练集图像,32幅图像作为验证集,所提算法对测试集中总共128个番茄的果实正确检出率为91.41%,对其中35裂果的正确判别率为97.14%,裂果判别部分平均耗时21 ms。试验结果表明,该方法具有较好的鲁棒性与可靠性,对成熟期番茄裂果率的估计研究及采摘过程中裂果的自动分级筛选具有较好的指导意义,为未来实现温室番茄果实生长状态在线监测提供参考。