搜索资源列表
seg
- 对植物图像进行图像分割，区域标记，区域提取-Images of plant image segmentation, region markers, regional extraction
IFS
- 采用计算机生成图形图像，可以用少量的数据生成复杂的自然景物图像，例如起伏的山脉、飘浮的云彩、形态各异的植物等自然界中的各种景观。它极大地丰富了计算机图形学的内容，而且促进了计算机在仿真模拟领域的应用。根据分形迭代函数系统具有模拟自然界景物的特点，采用面向对象的编程语言VC++实现了一类模拟山树等景物的计算机编程，模拟效果十分逼真。-The use of computer-generated graphic images, you can use a small amount of data to
yepian
- 为了研究植物的生长规律，应用数字摄影图像处理法对山楂叶面积进行无损测量，该方法采用数码相机在田间获取山楂叶子的数字图像，对所拍图像进行背景去除、二值化及中值滤波处理，然后利用Matlab软件编程．快速计算出叶子的面积。把这一面积同常用的叶纸称重法所测面积进行比较．结果基本相同，由此可见，数字摄影图像法测量叶面积，具有简单、准确、方便快捷的特点．这对数字农业的植物信息快速采集和利用具有重要的意义。 - In order to study the growth pattern of plants
image-processing-algorithms2
- 遥感图像处理算法介绍，包括分类、融合、植物检测、变化检测等算法的具体介绍，是编程的基础和遥感的基础知识。-Remote sensing image processing algorithms introduced, including classification, fusion, specific descr iption of the plant detection, change detection algorithm is the basis of the programming and
shiyan
- 用于植物叶片分类的图形界面,是Matlab源码，用BP神经网络实现-For plant leaf classification graphical interface, the Matlab source code, using BP neural network
cell-segmentation
- 对细胞进行分割和追踪的代码，细胞是植物细胞，其中的两篇论文是局部图分割的经典论文，值得一看-To segmentation and tracking code of cells, cells is plant cell, two of the paper is a classic papers of local map segmentation, worth a look
plantedge
- 植物叶片的边缘提取，包括腐蚀膨胀，边缘检测-Edge of leaf extracts, including corrosion expansion, edge detection
CDL
- CDL 算法，用于植物图像集的分类研究，能很好的实现分类-CDL algorithms for classification of plants image set, can achieve good classification
first1
- 2D L系统虚拟植物模型，提供可视化的编程实例-2D L system, the virtual plant model, provide examples of visual programming
Measurement-of-plant-leaf
- 基于Matlab的植物叶片面积测量 已知标准A4纸大小和面积，将要测量的叶片放在标准A4纸上，测出叶片占A4纸的面积比例，即可求出叶片的叶面积。由于比例的对应关系，将叶片实物转化为数字图像。数字图像由像素构成，计算出叶片和背景占有的像素，求出二者的比例关系再结合参照物即可得出叶片的面积。图像的像素可在对图像去噪声、二值化后等处理后计算出。- Measurement of plant leaf area based on Matlab
classifier-code
- 利用最小距离分类器分类３种不同类型的植物,并测试最小距离分类器的识别率-3 different types of plants are classified using the minimum distance classifier, and the recognition rate of the minimum distance classifier is tested.
diseases-and-recognition
- 用图像处理、植物病理学、色度学、几何特征、距离特征等方面的知识,研究了作物病害受害程度的检测,以生产中常见的玉米小斑病、水稻纹枯病、水稻稻瘟病为研究对象,经过图像预处理后提取作物的颜色特征、几何特征、距离特征,建立了作物危害程度检测模型-With knowledge of image processing, plant pathology, colorimetry, geometry, distance characteristics and other aspects of the study
one
- 基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加，传统的分类方法由 于提取的特征比较单一或者分类器结构过于简单，导致叶片识别率较低。为此，本文提出使用纹理特征结合形状 特征进行识别，并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor 滤波和灰度共生矩阵 方法得到。而形状特征向量由 Hu 氏不变量和傅里叶描述子组成。为了避免过拟合现象，使用“dropout”方法训练 深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法-Plant based
two
- ：植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。然而，低维特征不能全面描述叶片信息，识别准确率低，本文提 出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理，获得去除颜色、虫洞、 叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征，对灰度图像提取 Hu不变矩特征、灰 度共生矩阵特征、局部二值模式特征和 Gabor 特征，对纹理图像提取分形维数，共得到 2183 维特征参数。再采用主成分分析与线性 评判分析相