稻瘟病孢子图像识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 图像识别技术 | 第9-11页 |
| 1.2.1 数字图像处理技术 | 第9页 |
| 1.2.2 模式识别技术 | 第9-11页 |
| 1.3 国内外图像识别技术在显微图像中的研究成果 | 第11-12页 |
| 1.4 本文的主要研究内容 | 第12-14页 |
| 第2章 稻瘟病孢子显微图像处理 | 第14-39页 |
| 2.1 彩色图像转化为灰度图 | 第14-15页 |
| 2.2 直方图均衡化 | 第15-18页 |
| 2.3 基于Otsu法的自适应阈值分割 | 第18-24页 |
| 2.4 形态学去噪算法 | 第24-29页 |
| 2.4.1 膨胀算法 | 第24-25页 |
| 2.4.2 腐蚀算法 | 第25-27页 |
| 2.4.3 开操作与闭操作 | 第27-29页 |
| 2.5 Canny算法 | 第29-36页 |
| 2.5.1 边缘检测的Canny准则 | 第30页 |
| 2.5.2 Canny算子的计算实现 | 第30-33页 |
| 2.5.3 自适应阈值的Canny边缘检测 | 第33-36页 |
| 2.6 轮廓提取算法 | 第36-38页 |
| 2.7 本章小节 | 第38-39页 |
| 第3章 特征提取算法 | 第39-44页 |
| 3.1 轮廓匹配 | 第39-40页 |
| 3.2 最小外接矩形 | 第40-42页 |
| 3.3 其他特征提取算法 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 模式识别方法 | 第44-60页 |
| 4.1 支持向量机 | 第44-50页 |
| 4.1.1 最优分类面 | 第44-46页 |
| 4.1.2 广义最优分类面 | 第46-47页 |
| 4.1.3 超平面集的子集 | 第47-48页 |
| 4.1.4 支持向量机 | 第48-50页 |
| 4.2 决策树 | 第50-56页 |
| 4.2.1 C4.5 算法 | 第51-54页 |
| 4.2.2 修剪决策树 | 第54-55页 |
| 4.2.3 生成决策规则 | 第55-56页 |
| 4.3 基于支持向量机与决策树的二级分类方法 | 第56-57页 |
| 4.4 稻瘟病孢子图像识别结果与分析 | 第57-59页 |
| 4.4.1 识别效果评价 | 第58-59页 |
| 4.4.2 错误识别原因分析 | 第59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间申请的专利 | 第64-66页 |
| 致谢 | 第66页 |
