全文获取类型
收费全文 | 1051篇 |
免费 | 90篇 |
国内免费 | 69篇 |
专业分类
测绘学 | 564篇 |
大气科学 | 44篇 |
地球物理 | 152篇 |
地质学 | 177篇 |
海洋学 | 66篇 |
天文学 | 2篇 |
综合类 | 107篇 |
自然地理 | 98篇 |
出版年
2024年 | 1篇 |
2023年 | 17篇 |
2022年 | 56篇 |
2021年 | 67篇 |
2020年 | 59篇 |
2019年 | 53篇 |
2018年 | 37篇 |
2017年 | 73篇 |
2016年 | 64篇 |
2015年 | 66篇 |
2014年 | 62篇 |
2013年 | 73篇 |
2012年 | 56篇 |
2011年 | 55篇 |
2010年 | 43篇 |
2009年 | 48篇 |
2008年 | 53篇 |
2007年 | 49篇 |
2006年 | 42篇 |
2005年 | 42篇 |
2004年 | 30篇 |
2003年 | 31篇 |
2002年 | 19篇 |
2001年 | 11篇 |
2000年 | 13篇 |
1999年 | 15篇 |
1998年 | 11篇 |
1997年 | 7篇 |
1996年 | 12篇 |
1995年 | 11篇 |
1994年 | 9篇 |
1993年 | 12篇 |
1992年 | 5篇 |
1991年 | 3篇 |
1990年 | 1篇 |
1989年 | 2篇 |
1986年 | 1篇 |
1983年 | 1篇 |
排序方式: 共有1210条查询结果,搜索用时 15 毫秒
21.
一种提取遥感影像中道路信息的方法 总被引:2,自引:0,他引:2
由于合理有效地选择分割阈值较难,因此基于阈值分割的道路信息提取方法对于遥感影像中含有多种类型道路、或非道路地物干扰比较明显的情况适用性不理想。为此,提出了一种将Mean Shift和阈值分割相结合的方法来提取道路信息。首先,采用Mean Shift方法对遥感影像进行平滑处理,在较好地保持道路边缘信息的同时使道路内部的纹理分布更加均匀;其次,对平滑处理后的影像进行Mean Shift分割处理,将具有相同或相似灰度值的道路用一种灰度值显示;然后,选择灰度直方图中像素数量值高的线所对应的灰度值作为分割区间边界点进行多阈值分割,得到初始道路信息;最后,对初始道路信息进行后处理,得到最终的道路信息。实验证明,该方法可以完成对遥感影像中道路信息的提取,拓宽了阈值分割方法提取道路信息的使用范围。 相似文献
22.
为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。 相似文献
23.
24.
针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。 相似文献
25.
26.
针对线性参照虚拟场景构建中缺乏有效的空间数据模型的问题,本文以金字塔模型、空间索引结构和动态分段等相关研究为基础,提出了线性参照系统下的嵌套金字塔模型构建方法。首先,结合线性场景数据特征,对动态分段技术进行拓展,增加垂直方向结构化金字塔模型;然后,将线性参照在多尺度下进行静态分段,对相互独立的弧段分别进行存储,构建静态分段金字塔模型;最后,建立统一的映射关系,构建嵌套金字塔模型,从而提升该模型在各尺度间切换时的连贯性,完成线性场景多源数据的统一组织与集成管理。 相似文献
27.
28.
Availability of reliable delineation of urban lands is fundamental to applications such as infrastructure management and urban planning. An accurate semantic segmentation approach can assign each pixel of remotely sensed imagery a reliable ground object class. In this paper, we propose an end-to-end deep learning architecture to perform the pixel-level understanding of high spatial resolution remote sensing images. Both local and global contextual information are considered. The local contexts are learned by the deep residual net, and the multi-scale global contexts are extracted by a pyramid pooling module. These contextual features are concatenated to predict labels for each pixel. In addition, multiple additional losses are proposed to enhance our deep learning network to optimize multi-level features from different resolution images simultaneously. Two public datasets, including Vaihingen and Potsdam datasets, are used to assess the performance of the proposed deep neural network. Comparison with the results from the published state-of-the-art algorithms demonstrates the effectiveness of our approach. 相似文献
29.
30.