| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于颜色特征的图像识别 | 第13-14页 |
| 1.2.2 基于形状特征的图像识别 | 第14页 |
| 1.2.3 基于纹理特征的图像识别 | 第14-15页 |
| 1.2.4 基于多种特征融合的图像识别 | 第15页 |
| 1.3 研究的主要内容和方法 | 第15-17页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究方法 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 第二章 试验装置及图像的获取 | 第19-23页 |
| 2.1 计算机视觉系统 | 第19-20页 |
| 2.1.1 计算机 | 第19-20页 |
| 2.1.2 图像采集装置 | 第20页 |
| 2.2 图像获取 | 第20-21页 |
| 2.2.1 图像获取时间 | 第20页 |
| 2.2.2 采集图像 | 第20-21页 |
| 2.3 小结 | 第21-23页 |
| 第三章 图像预处理 | 第23-32页 |
| 3.1 基于超绿色法的图像灰度化 | 第23-25页 |
| 3.2 使用二维最大类间方差(Otsu)算法对灰度图分割 | 第25-27页 |
| 3.2.1 最大类间方差(Otsu)算法 | 第25-26页 |
| 3.2.2 二维Otsu的阈值选择方法 | 第26-27页 |
| 3.2.3 二维Otsu分割结果 | 第27页 |
| 3.3 运用形态学处理二值图像 | 第27-30页 |
| 3.3.1 数学形态学概述 | 第28页 |
| 3.3.2 数学形态学的四种基本运算 | 第28-29页 |
| 3.3.3 使用形态滤波对植物二值分割图像进行处理 | 第29-30页 |
| 3.4 小结 | 第30-32页 |
| 第四章 图像特征提取 | 第32-36页 |
| 4.1 前言 | 第32页 |
| 4.2 颜色特征提取 | 第32-34页 |
| 4.2.1 RGB颜色模型的建立 | 第32-33页 |
| 4.2.2 植物图像颜色特征参数提取 | 第33-34页 |
| 4.3 不变矩特征提取 | 第34-35页 |
| 4.4 小结 | 第35-36页 |
| 第五章 神经网络理论基础 | 第36-41页 |
| 5.1 神经网络基本模型综述 | 第36页 |
| 5.2 神经元的形式化描述 | 第36-37页 |
| 5.3 人工神经网络的神经元状态转移函数 | 第37-38页 |
| 5.4 神经网络的拓扑结构 | 第38-39页 |
| 5.5 神经网络的基本性质及应用 | 第39-40页 |
| 5.6 小结 | 第40-41页 |
| 第六章 基于ABC算法和概率神经网络的玉米与杂草识别 | 第41-55页 |
| 6.1 概率神经网络模型的理论与方法 | 第42-47页 |
| 6.1.1 PNN中Bayes分类 | 第42-43页 |
| 6.1.2 PNN中Parzen窗方法 | 第43-45页 |
| 6.1.3 概率神经网络模型 | 第45-47页 |
| 6.2 人工蜂群算法 | 第47-48页 |
| 6.3 基于ABC算法的PNN参数和最优特征选择 | 第48-49页 |
| 6.3.1 针对传统概率神经网络平滑因子选择的不足与特征冗余的分析 | 第48-49页 |
| 6.3.2 基于ABC算法对PNN参数和最优特征组合的选择 | 第49页 |
| 6.4 基于ABC算法和概率神经网络的玉米与杂草分类的实现 | 第49-51页 |
| 6.5 仿真结果与分析 | 第51-54页 |
| 6.5.1 算法运行环境和参数设置 | 第51页 |
| 6.5.2 结果分析 | 第51-54页 |
| 6.6 小结 | 第54-55页 |
| 第七章 总结与展望 | 第55-57页 |
| 7.1 工作总结 | 第55-56页 |
| 7.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士学位期间的科研成果 | 第63-64页 |
