دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1st ed. 2021 نویسندگان: Xin Pan, Xuanhe Zhao, Weihong Yan, Jiangping Liu, Xiaoling Luo, Tana Wuyun سری: ISBN (شابک) : 9811635005, 9789811635007 ناشر: Springer سال نشر: 2021 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 47 مگابایت
در صورت تبدیل فایل کتاب Computer Vision based Identification and Mosaic of Gramineous Grass Seeds به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شناسایی مبتنی بر بینایی کامپیوتری و موزاییک دانههای علف سبز نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب عمدتاً به دیجیتالی کردن و تشخیص علفزار از طریق
بینایی رایانه می پردازد که در پیاده سازی تشخیص خودکار چمن و
جمع آوری داده ها مشارکت خواهد داشت. با بهرهگیری از بینایی
رایانه، بر استخراج ویژگیهای ذاتی تمرکز میکند تا عملکردهایی
مانند تشخیص خودکار دانههای علوفه و موزاییک تصاویر میکروسکوپی
را درک کند. این کتاب با ارقام واضح و جداول دقیق، رویکرد جدیدی
را برای شناسایی دانههای علف ارائه میکند. با حل مشکلات سنتی
علوم کاربردی فرهنگی از طریق به کمک علوم رایانه،
خواننده را روشن می کند.
This book mainly deals with grassland digitalization and
recognition through computer vision, which will make
contributions to implement of grass auto recognition and data
acquisition. Taking advantage of computer vision, it focuses
on intrinsic feature extraction to realize the functions such
as auto recognition of forage seeds and microscope
images mosaic. The book presents a new approach for
identification of grass seeds, with clear figures and
detailed tables. It enlightens reader by solving the
traditional problems of pratacultural science
through the aid of computer science.
Preface Contents 1 Introduction 1.1 Digitization Grassland 1.2 Computer Vision Based Research Status of Grassland Digitization 1.2.1 Grassland Digitization Based on Remote Sensing 1.2.2 Grassland Digitization Based on Common Digital Images 1.2.3 Researches on the Related Fields 1.3 Research Content References 2 Forage Identification and Experimental Materials 2.1 Definition of Forage Automated Identification 2.2 Automatic Identification of Herbage Based on Seed Images 2.3 Experimental Materials 2.3.1 Image Acquisition 2.3.2 Image Preprocessing 2.4 Seed Image DatabaseI References 3 Identification of Gramineous Grass Seeds Using Gabor and Locality Preserving Projections 3.1 Feature Extraction 3.1.1 Gabor Filters 3.1.2 Locality Preserving Projections 3.2 Feature Matching 3.3 Results and Discussion 3.3.1 Experiments on Seed Image DatabaseI 3.3.2 Experiments on Seed Image DatabaseII 3.4 Summary References 4 Identification of Gramineous Grass Seeds Using Difference of Local Fractal Dimensions 4.1 Fractal and Fractal Dimension 4.2 Difference of Local Fractal Dimension 4.3 Results and Discussions 4.3.1 Local Division Strategy 4.3.2 Comparison of Different Seed Identification Algorithms 4.4 Summary References 5 Identification of Gramineous Grass Seeds Using Local Similarity Pattern and Linear Discriminant Analysis 5.1 Identification Based on LSP and LDA 5.2 Experimental Results and Discussions 5.2.1 Image Database and Preprocessing 5.2.2 Identification Experiments 5.3 Summary References 6 Identification of Gramineous Grass Seeds Using Local Similarity Pattern and Gray Level Co-occurrence Matrix 6.1 Fusion of LSP and GLCM in Feature Extraction 6.1.1 Gray Level Co-occurrence Matrix 6.1.2 Fusion of LSP and GLCM for feature extraction 6.2 Experimental Results and Discussions References 7 Microscopic Image Mosaic of Gramineous Grass Seeds 7.1 Image Mosaic 7.2 Materials and Methods 7.2.1 Experimental Materials 7.2.2 Mosaic Method 7.3 Experimental Results and Discussions 7.4 Summary References 8 Digital Information Platform of Grassland and Forage Based on Computer Vision 8.1 Digital Information Platform of Grassland and Forage 8.1.1 Main Development Tools and Models for Platform 8.1.2 Main Function Modules of the Platform 8.2 Key Technological Problems and Solutions of the Platform 8.2.1 Hybrid Programming of Java and Matlab 8.2.2 Design and Implementation of Module Interface 8.2.3 Design and Implementation of GUI for Image Mosaic 8.3 Implementation of the Platform 8.4 Summary References Appendix Gramineous Grass A. Elymus L. A1. Elymus Dahuricus Turcz A2. Elymus Nutans Griseb A3. Elymus Cylindricus (Frmch) Hinda A4. Elymus Sibiricus Linn A5. Roegneria Kamoji Ohwi A6. Roegneria Tunczaninovii(Drob.)Nevski Var.Macrathera Ohwi A7. Roegneria Varia Keng B. Agropyron Gaertn B1. Agropyron Cristatum (L.) Gaertn B2. Agropyron Cristatum (L.) Gaertn. Var. Pectiniforme (Roem. et Schult.) H. L. Yang B3. Agropyron Mongolicum Keng B4. Agropyron Desertorum (Fisch.) Schult C. Bromus L C1. Bromus Inermis Leyss D. Stipa L D1. Stipa Grandis P. Smirn E. Leymus Hochst E1. Leymus Chinensis(Trii)Tzvel