| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 基于图像处理的谷物分割 | 第17-26页 |
| 2.1 基于区域的图像分割方法 | 第17-19页 |
| 2.1.1 基于阂值法的图像分割算法 | 第17-19页 |
| 2.2 基于边缘分割的谷物定位 | 第19-22页 |
| 2.2.1 Canny边缘检测 | 第19-21页 |
| 2.2.2 形态学变换 | 第21页 |
| 2.2.3 候选谷物区域获取 | 第21-22页 |
| 2.3 基于图的图像分割 | 第22-23页 |
| 2.4 谷物定位效果与分析 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 特征提取算法 | 第26-39页 |
| 3.1 颜色特征 | 第27页 |
| 3.2 SIFT特征 | 第27-35页 |
| 3.2.1 SIFT特征提取算法流程 | 第27-28页 |
| 3.2.2 尺度空间构建 | 第28-29页 |
| 3.2.3 关键点检测 | 第29-32页 |
| 3.2.4 关键点定位 | 第32-33页 |
| 3.2.5 关键点方向确定 | 第33-34页 |
| 3.2.6 关键点描述 | 第34-35页 |
| 3.3 稠密性SIFT | 第35-36页 |
| 3.4 颜色稠密SIFT特征 | 第36-37页 |
| 3.5 实验结果与分析 | 第37页 |
| 3.5.1 标准SIFT和Dense SIFT提取特征数量对比 | 第37页 |
| 3.6 本章小结 | 第37-39页 |
| 第4章 图像特征组织方式 | 第39-50页 |
| 4.1 BOF特征袋模型 | 第39-47页 |
| 4.1.1 特征提取 | 第39-40页 |
| 4.1.2 计算视觉词典 | 第40-42页 |
| 4.1.3 图像特征编码 | 第42-45页 |
| 4.1.4 空间金字塔表示 | 第45-47页 |
| 4.2 图像特征组织流程图 | 第47页 |
| 4.3 实验结果与分析 | 第47-49页 |
| 4.3.1 视觉词典大小对性能的影响 | 第48页 |
| 4.3.2 不同底层特征提取方法性能对比 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于机器学习的分类器算法 | 第50-59页 |
| 5.1 支持向量机研究 | 第50-56页 |
| 5.1.1 支持向量机理论基础 | 第50-52页 |
| 5.1.2 支持向量机原理 | 第52-56页 |
| 5.2 提升方法 | 第56-57页 |
| 5.3 K近邻方法 | 第57页 |
| 5.4 实验结果与分析 | 第57-58页 |
| 5.4.1 不同特征组织方式分类算法效果对比 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第6章 基于图像分类的谷物识别系统 | 第59-67页 |
| 6.1 系统总体设计 | 第59-60页 |
| 6.2 图像采集 | 第60-62页 |
| 6.3 谷物定位模块 | 第62页 |
| 6.4 特征提取和组织模块 | 第62页 |
| 6.5 分类器学习模块 | 第62-63页 |
| 6.6 谷物识别模块 | 第63-66页 |
| 6.6.1 单颗粒识别 | 第63-64页 |
| 6.6.2 纯堆识别 | 第64-65页 |
| 6.6.3 混合堆识别 | 第65-66页 |
| 6.7 本章小结 | 第66-67页 |
| 第7章 总结与展望 | 第67-68页 |
| 7.1 总结 | 第67页 |
| 7.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |