| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国外的研究现状 | 第15-16页 |
| 1.2.2 国内的研究现状 | 第16-17页 |
| 1.3 研究内容、创新点和组织结构 | 第17-19页 |
| 1.3.1 本文的研究内容 | 第17-18页 |
| 1.3.2 本文创新点 | 第18页 |
| 1.3.3 本文组织结构 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 2 基于可追溯系统的识别方案设计 | 第20-28页 |
| 2.1 机器视觉系统设计要求 | 第20-21页 |
| 2.1.1 机器视觉概述 | 第20页 |
| 2.1.2 系统设计要求 | 第20-21页 |
| 2.2 蔬菜种类识别系统总体方案设计 | 第21-26页 |
| 2.2.1 硬件系统 | 第22-24页 |
| 2.2.2 软件系统 | 第24-26页 |
| 2.3 实验样品与图像采集 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 蔬菜图像特征分析 | 第28-49页 |
| 3.1 颜色特征 | 第28-36页 |
| 3.1.1 RGB模型 | 第28-29页 |
| 3.1.2 HSV模型 | 第29-31页 |
| 3.1.3 Lab彩色模型 | 第31-32页 |
| 3.1.4 彩色模型选择 | 第32-33页 |
| 3.1.5 颜色特征参数 | 第33-36页 |
| 3.2 形状特征 | 第36-42页 |
| 3.2.1 基于边界的形状特征参数提取 | 第37-40页 |
| 3.2.2 基于区域的形状特征参数 | 第40-42页 |
| 3.3 纹理特征 | 第42-48页 |
| 3.3.1 灰度共生矩阵 | 第43-46页 |
| 3.3.2 局部二元模式(LBP特征) | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 目标区域的特征提取 | 第49-64页 |
| 4.1 图像预处理 | 第49-54页 |
| 4.1.1 图像滤波 | 第49-51页 |
| 4.1.2 限制对比度自适应直方图均衡(CLAHE)图像增强 | 第51-54页 |
| 4.2 图像分割 | 第54-58页 |
| 4.2.1 最大类间方差阈值分割(OTUS) | 第54-56页 |
| 4.2.2 显著性区域检测FT算法 | 第56-57页 |
| 4.2.3 背景分离 | 第57-58页 |
| 4.3 颜色特征参数与结果分析 | 第58-59页 |
| 4.4 形状特征参数与结果分析 | 第59-61页 |
| 4.5 纹理特征参数与结果分析 | 第61-63页 |
| 4.6 本章小结 | 第63-64页 |
| 5 SVM多特征融合的识别方法 | 第64-72页 |
| 5.1 支持向量机(SVM)原理介绍 | 第64-68页 |
| 5.1.1 线性可分模式 | 第65-66页 |
| 5.1.2 线性不可分模式 | 第66-67页 |
| 5.1.3 常见的核函数 | 第67-68页 |
| 5.2 基于SVM多核学习的特征融合 | 第68-69页 |
| 5.3 SVM多分类 | 第69页 |
| 5.4 SVM分类结果 | 第69-71页 |
| 5.5 本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 作者简历 | 第77页 |