期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于RS的新疆哈密地区生态环境需水分析 被引量:7
1
作者 尹小君 周可法 +2 位作者 包安明 王涛 孙莉 《干旱区地理》 CSCD 北大核心 2007年第3期357-363,共7页
干旱半干旱地区水资源缺乏,准确地计算区域生态环境用水和生态环境需水,可以对稀缺水资源进行合理调配,同时起到生态保护的作用。研究过程主要分为两个步骤:(1)采用RS技术,对新疆哈密地区1990年、2000年、2005年中巴资源一号卫星(China ... 干旱半干旱地区水资源缺乏,准确地计算区域生态环境用水和生态环境需水,可以对稀缺水资源进行合理调配,同时起到生态保护的作用。研究过程主要分为两个步骤:(1)采用RS技术,对新疆哈密地区1990年、2000年、2005年中巴资源一号卫星(China Brazil Earth Resources Sat-ellite)数据进行解译,形成1990年、2000年、2005年哈密地区土地覆被图形数据和相应的属性数据,确定相应年份各景观类型的面积;(2)参考有关研究并结合哈密地区实际情况,确定各景观类型的单位生态用水定额和需水定额,进而计算出1990年、2000年、2005年哈密地区的生态用水量,并以2005年哈密地区生态用水量为主要依据计算出保持哈密地区生态环境现状的生态需水量。研究结果表明,为了实现哈密地区生态环境整体保持在现状水平不致恶化、局部区域生态环境(巴里坤湖区)有所改善的生态治理目标,区域内生态环境需水总量为7.526×109m3,这一庞大的需水量将对该地区水资源配置造成巨大的压力;而当结合各类景观的地物空间位置特征进行分析时,发现该区域生态用(需)水量最大的景观(低覆盖草地)可以利用山地积雪融水进行自给,区域内实际需要规划配置的生态环境需水量为2.66×108m3,仅占区域生态环境需水总量的3.53%。在区域生态用(需)水计算过程中应考虑各种景观类型的生态用(需)水量的时空差异性,以保证水资源调配的科学与合理。 展开更多
关键词 生态环境用水 生态环境需水 地物空间位置特征
在线阅读 下载PDF
基于SLIC融合纹理和直方图的图像显著性检测 被引量:2
2
作者 丁华 王晓东 +2 位作者 章联军 陈晓爱 赖佩霞 《计算机工程与应用》 CSCD 北大核心 2019年第3期159-166,237,共9页
针对基于颜色直方图的显著图无法突出边缘轮廓和纹理细节的问题,结合图像的颜色特征、空间位置特征、纹理特征以及直方图,提出了一种基于SLIC融合纹理和直方图的图像显著性检测方法。该方法首先通过SLIC算法对图像进行超像素分割,提取... 针对基于颜色直方图的显著图无法突出边缘轮廓和纹理细节的问题,结合图像的颜色特征、空间位置特征、纹理特征以及直方图,提出了一种基于SLIC融合纹理和直方图的图像显著性检测方法。该方法首先通过SLIC算法对图像进行超像素分割,提取基于颜色和空间位置的显著图;然后分别提取基于颜色直方图的显著图和基于纹理特征的显著图;最后将前两个阶段得到的显著图进行融合得到最终的显著图。此外,通过简单的阈值分割方法得到图像中的显著性目标。实验结果表明,与经典显著性检测算法相比,提出的算法性能明显优于其他算法性能。 展开更多
关键词 SLIC算法 颜色特征 空间位置特征 纹理特征 直方图 显著性检测
在线阅读 下载PDF
基于CoordEF−YOLOv9t的煤矿井下人员行为识别
3
作者 潘红光 卫泽尘 +3 位作者 雷心宇 姚超修 蒋泽 张立斌 《工矿自动化》 2025年第8期59-66,共8页
基于深度学习的人员行为识别方法在煤矿井下应用存在对多类别行为识别缺乏系统性分类架构、光线昏暗和低清晰度图像导致细节丢失、矿工姿态和视角差异引发特征形变等问题。提出一种煤矿井下人员行为识别模型CoordEF−YOLOv9t。该模型分... 基于深度学习的人员行为识别方法在煤矿井下应用存在对多类别行为识别缺乏系统性分类架构、光线昏暗和低清晰度图像导致细节丢失、矿工姿态和视角差异引发特征形变等问题。提出一种煤矿井下人员行为识别模型CoordEF−YOLOv9t。该模型分别从边缘细节与空间位置特征提取2个方面对YOLOv9t进行改进:YOLOv9t中RepNCSPELAN4模块的卷积操作在捕捉细微或模糊边缘时易导致细节模糊,针对该问题,设计了融合Sobel算子的边缘特征提取模块(EFEM),在RepNCSPELAN4模块中嵌入EFEM,增强主干网络与颈部网络对人体边缘细节的感知能力。传统卷积神经网络难以感知位置信息并充分学习人员位置与动作的空间特征,针对该问题,在颈部网络末端引入坐标卷积,提升模型对人员行为位置信息的感知能力。实验结果表明,CoordEF−YOLOv9t精确率P为73.4%,召回率R为73.7%,mAP@0.5为74.8%,mAP@0.5:0.95为61.1%,相较于YOLOv9t分别提升1.2%,3.2%,1.0%,2.1%;与RT−DETR,YOLOv11,YOLOv12等主流模型相比,CoordEF−YOLOv9t综合性能更优,能更精准地识别煤矿井下人员行为。 展开更多
关键词 井下人员行为识别 YOLOv9t 边缘特征提取 空间位置特征提取 Sobel算子 坐标卷积
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部