采用K均值聚类和环形结构的狭叶锦鸡儿木质部提取算法

针对木质部交互统计误差大、效率低、重现性差、劳动强度高和传统图像处理算法精度不理想等问题,该文以狭叶锦鸡儿木质部切片图像为研究对象,根据木质部特点提出基于K均值聚类算法和环形结构提取算法相结合,实现木质部准确提取的方法。首先通过动态巴特沃斯同态滤波法对30幅供试图像进行光照不均校正,然后采用K均值聚类法对光照补偿后图像初分割,最后采用环形结构提取算法实现木质部提取计数。试验结果表明:采用K均值聚类算法对光照补偿后的木质部图像初分割分割误差R(section error, R)、过分割误差OR(over-segmentation error, OR)和欠分割误差UR(under-segmentation error, UR)均值分别为5.15%、1.48%和6.46%,优于未光照补偿和3R-G-B算法;该文提出的环形结构提取算法对初分割后木质部图像检测的平均相对误差为2.26%,比分水岭法低11.69个百分点,比凹点匹配法低4.93个百分点。从速度上看,该算法平均耗时3.17 s,比分水岭法快1.40 s,比凹点匹配法快4.88 s。该算法检测的均方根误差RMSE(root mean squared error, RMSE)为0.52%,约相当于分水岭法的1/3,约相当于凹点匹配法的1/2,该算法优于其他2种分割算法;在图像结构复杂、光照不均匀、内部分布不均等缺陷条件下,该文算法也能很好地实现木质部的分割和提取。该方法不仅能对狭叶锦鸡儿木质部自动分割和提取,也可为其他植物木质部分割提取提供参考。     

基于高光谱特征参数荒漠草原生物量估测研究

应用高光谱技术对荒漠草原草地生物量进行估测,分别采用原始光谱、一阶微分光谱和高光谱特征参数,分析荒漠草原草地冠层光谱数据与草地生物量相关关系,选择与草地生物量显著相关的高光谱特征参数,利用单变量线性与非线性、逐步回归和BP(Back Propagation)神经网络构建估测模型。试验结果表明:与草地生物量相关系数最大的为高光谱特征参数SDR/SDb,相关系数为0.792;通过高光谱特征参数Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb、(SDR-SDy)/(SDR+SDy)建立的BP神经网络回归模型最优,决定系数R2为0.766,均方根误差为40.19g/m2,相对误差为29.88%。因此,利用草地冠层高光谱特征参数可以估测草地生物量,能够对草地生物量进行定量分析,为草地精细化管理提供技术支持,对畜牧业可持续发展具有重要意义。     

基于Pro/E的水草收割机明轮装置建模与仿真

针对9GSCC-1.4型水草收割机明轮装置的使用性能要求,运用惩罚函数法优化明轮的结构尺寸。根据优化的结构参数,基于Pro/E软件建立与物理样机相同的数字化模型,利用Pro/E的机构模块模拟真实状态下明轮装置的运转状况,对其进行干涉检验;利用Pro/MECHANICA模块对明轮部件的支撑架等机构进行强度分析;采用Pro/MECHANICA模块中的梁单元对明轮支撑架等构件理想化,在给定变化范围内为模型寻求满足应力要求的结构尺寸,完成了明轮装置的数字化设计,并实现了对系列化产品的动力学计算。     

基于同态滤波和K均值聚类算法的草原植被盖度测量

针对草原盖度地表测量法费时、费力、重现性差及自然环境下光照不均草原植被图像分割效果不理想问题,应用动态巴特沃斯同态滤波法对草原植被图像进行光照补偿,采用K均值聚类算法对补偿后图像进行分割,最后根据植被盖度定义,实现草原植被盖度测量。试验结果表明:本算法测量标准差、相对误差、均方根误差RMSE和耗时均值分别为0.5 7 0%、3.9 8 8%、0.1 0 0和2.3 5 s,比方格纸测量法标准差低4.6 8 6%,速度提升9 0倍左右。通过对分割效果定性和定量分析,验证了本文算法的草原植被盖度测量精度、稳定性和速度,可为草原盖度研究提供参考和技术支持。     

基于噪声类型及强度估计的狭叶锦鸡儿叶切片图像盲去噪

狭叶锦鸡儿叶切片显微图像在获取过程中不可避免的受到噪声污染,会对后续处理造成不良影响。针对现有噪声类型未知,去噪算法存在速度慢、效果不理想等问题,该文提出图像噪声类型估计-强度估计-去噪这一处理过程,实现对狭叶锦鸡儿叶切片显微图像降噪目的。首先采用平滑区直方图重构和拟合法确定噪声类型;然后在此基础上,应用基于图像块的SVD(singular valuable decomposition,SVD)域图像噪声强度估计法对噪声标准差进行估计;最后在确定噪声类型和强度基础上,采用几何均值滤波(geometric mean filtering,GMF)和三维块匹配滤波(block-matching and 3-D filtering,BM3D)对图像进行联合去噪。试验结果表明:该文噪声类型估计法估计出切片图像噪声类型为加性高斯噪声,高斯函数对随机选取的15幅狭叶锦鸡儿叶切片图像平滑区域直方图数据点拟合优度2R均值为0.996,平均均方根误差RMSE(root mean squared error,RMSE)为0.144 6;采用该文噪声强度估计法估计出的切片图像噪声标准差???[2.5,4.0],处理标准差较小噪声,该文算法处理精度、运行速度和稳定性等方面存在明显优势;GMF-BM3D算法在较好去除图像噪声同时,极大的保留了图像纹理、边缘和细节等信息,同时极大的提高了算法运行速度,处理后的图像BRISQUE(blind/referenceless image spatial quality evaluator,BRISQUE)值为10左右,相当于原图BRISQUE值的1/2左右。与传统BM3D算法相比,去噪效果相当,但耗时约相当于传统BM3D算法的1/9。与小波去噪算法(wavelet threshold,WT)算法相比,虽速度相对较慢,但去噪后图像BRISQUE值比使用WT法低4左右。因此,该算法较好实现了对狭叶锦鸡儿叶切片图像准确降噪,为其后续处理提供了可靠技术支持。     

小波域非局部均值无芒隐子草叶切片盲去噪

在获取无芒隐子草叶切片图像时不可避免受到噪声的污染,易导致后续提取和测量特征参数的不准确。对于自然图像,事先并不知道其所含噪声的类型和方差,因而首先利用小波变换和曲线拟合确定切片图像噪声类型和强度;在此基础上,分别应用小波阈值去噪、非局部均值去噪和提出的非局部均值滤波(NLM)与小波阈值去噪相结合的方法对无芒隐子草叶切片图像进行去噪。实验结果表明:获取的切片图像噪声类型为高斯加性噪声,标准差为σ∈[1. 5,3. 5],用高斯函数对随机选取的10幅切片图像的高频HH子带能量分布进行拟合,拟合优度为R2=0. 990 7;用3种方法对含不同噪声大小的切片图像进行去噪,当噪声标准差为σ∈[1. 5,8]时,应用Beyes Shrink法去噪后,图像的峰值信噪比提高了3 d B,而NLM和本文提出的算法不适用;当噪声标准差为σ∈[8,15]时,NLM算法和提出的算法去噪效果相当,去噪后图像峰值信噪比提高了7. 5d B,应用Beyes Shrink算法提高了6. 5 d B;而当σ∈[15,30]时,使用提出的算法表现出较大的优越性,去噪后图像峰值信噪比提高了10. 53d B,是NLM算法的1. 4倍、Beyes Shrink法的1. 3倍。本文的算法和实验结论可为无芒隐子草切片图像准确降噪提供理论基础。     

基于"3S"技术乌梁素海湿地生态工程数据库的研究

以乌梁素海湿地生态工程为主要研究对象,在工程数据、遥感数据、地图资料等基础数据的支持下,利用"3S"技术、计算机技术、工程数据库技术和环境管理技术,运用Visual Basic,SuperMap和SQL Server数据库等开发软件,构建乌梁素海生态工程数据库.该工程数据库可以对生态工程采集的坐标点,自动进行格式转换与输入,在遥感图像上显示工程的进展与成果.同时,该工程数据库还实现了数据管理、规划设计、生态监测和制图输出等功能,为乌梁素海湿地生态治理与资源开发提供全方位的数据信息及其管理,对生态工程规划与实施方案进行优化设计,并能够对乌梁素海生态工程进行实时监测.     

海南香蕉主要病害种类及防治技术

对近年来海南省香蕉主要病害的症状、病原、发病规律及防治方法等进行综述.在理论和实践上为防治香蕉病害提供科学依据.     

基于"3S"技术的典型草原栗钙土层结构模型

针对典型草原土壤结构特征及草原风蚀退化的现状,在内蒙古自治区锡林郭勒盟乌珠穆沁典型草原地区,选取约400km2面积的研究区,采用"3S"一体化技术,获取典型草原地表特征及采样点的三维坐标数据,通过实地打点取样,测量栗钙土层厚度,并结合SuperMap软件建立栗钙土层结构DEM模型。经分析研究可知:栗钙土层结构受多种因素影响,不同地形结构可能有不同的土层厚度。建立土壤结构模型,研究环境条件与土壤结构关系,推断土壤的空间分布,可以实现草原土壤结构动态监测,为预防和控制风蚀沙化提供基础数据,为典型草原生态保护与合理利用提供了科学依据。     

无芒隐子草叶片卷曲度和厚度测量方法

针对叶片卷曲度和厚度交互式测量方式费时、费力、误差大,传统图像处理算法普适性不高等问题,以无芒隐子草叶片为研究对象,采用基于Graham 算法的最小外接矩形法实现叶片卷曲度的测量,采用矢量积法和角点检测相结合的凹凸点检测算法实现叶片厚度的测量。首先,通过石蜡制片获取无芒隐子草叶切片,利用显微镜连接计算机获取切片图像;然后,采用红色灰度化方法结合阈值分割将切片图像的目标和背景分离;最后,根据叶片卷曲度和厚度的实际测量方式,采用Graham算法通过求取目标区域的最小外接矩形实现叶片卷曲度的测量,将矢量积法和角点检测相结合检测目标区域的凹凸点,通过凹点与凹点、凸点与凸点匹配实现叶片厚度的测量。选取30幅无芒隐子草叶切片图像为样本进行了试验,结果显示,采用本文提出的红色灰度化方法和分量法、最大值法、平均法、加权平均法对图像进行灰度化处理后,图像信息熵分别为6.4280、6.3612、5.6679、5.9348、6.0526,图像平均梯度分别为0.0785、0.0242、0.0158、0.0093、0.0104,图像对比度分别为0.2641、0.1130、0.0574、0.0703、0.0784,说明本文方法能更好地保持图像的边缘、细节等信息,图像清晰度更高。进行自动阈值分割后,分割的平均误检率为0.75%,平均漏检率为3.49%,平均整体分割精度达到98.14%。在有效分割目标和背景的基础上,对叶片卷曲度和厚度进行测量,并与交互式测量结果进行相比,结果表明,采用本文方法对叶片卷曲度和厚度的测量值与交互式测量值的平均相对误差分别为0.96%和3.69%,测量速度分别提高了约10倍和37倍。