公共文化服务平台

共 5 条记录，以下是 1-5

全选清除导出

排序方式：

基于不变矩的作物病害识别方法被引量：1: 2014年; 针对作物病害识别的复杂性,提出一种基于不变矩(invariants moments,IM)算法的病害识别方法。对作物病害叶片图像进行不变矩特征提取,采用最近邻分类器对作物病害叶片进行识别。以芹菜病害叶片为材料,进行病害识别,结果表明,该方法是有效可行的。; 王旭启张善文王献锋; 关键词：特征提取不变矩最近邻分类器

基于自适应学习局部二值模式的苹果叶部病斑分割与检测: 2017年; 为了准确、快速地检测作物叶部病害,提出一种基于自适应学习局部二值模式(adaptive learning local binary pattern,简称ALLBP)的苹果叶部病斑分割与检测方法。首先利用ALLBP获取正常叶片图像和病害叶片图像的特征差异,并确定病斑判断阈值,然后将待识别的叶片图像分割为大小相同的子块,再提取同样的特征与阈值进行比较,以判定各子块中是否有病斑。结果表明,该方法能够有效检测苹果病斑的分布特性,与局部二值模式(local binary pattern,简称LBP)和中心对称局部二值模式(center-symmetric local binary pattern,简称CS-LBP)相比,该方法具有更少的特征维数和更高的正确识别率。; 张善文彭进业李超; 关键词：局部二值模式中心对称局部二值模式

相似度距离耦合角度径向变换的图像配准算法: 2016年; 目的为了解决当前图像配准算法因利用l1距离或l2距离相似度测量手段来完成图像特征点匹配,使其忽略了相位信息,难以有效消除高斯噪声的影响,使其配准精度与效率不佳不足的问题。方法提出最优相似度距离耦合角度径向变换的抗噪图像配准算法。首先引入角度径向变换,以降低算法复杂度,快速提取图像的特征点。然后联合图像的幅度和相位信息,基于欧式距离测度,定义最优相似度距离测量模型,通过求解其全局最小值,对特征点完成匹配,提高算法的抗噪性能。最后将图像分割为内点与外点,择取6个内点,通过计算其变换矩的几何配准误差,改进随机样本一致策略,对匹配进行提纯,消除误配。结果仿真实验结果显示,与当前基于l1距离或l2距离相似度测量的图像配准技术相比,该算法具有更强的抗高斯噪声性能和更高的匹配精度,且算法时耗最短。结论所提算法能够精确完成图像特征配准。; 杜刚张善文; 关键词：图像配准相位信息

基于局部判别映射算法的玉米病害识别方法被引量：27: 2014年; 如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。; 张善文张传雷; 关键词：作物病害维数约简最近邻分类器玉米叶片

基于特征融合与局部判别映射的苹果叶部病害识别方法被引量：6: 2016年; 针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。; 李超彭进业张善文

全选清除导出

共1页<1>

陕西省教育厅自然科学基金(2013JK887)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

陕西省教育厅自然科学基金(2013JK887)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈