基于分散样本图像的区域秸秆覆盖率估算研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于图像处理的秸秆覆盖率估算研究现状 | 第11-12页 |
| 1.2.2 人工神经网络法研究现状 | 第12页 |
| 1.2.3 SVM技术研究现状 | 第12-13页 |
| 1.2.4 区域秸秆覆盖率研究现状 | 第13页 |
| 1.2.5 KNN算法研究内容及现状 | 第13-15页 |
| 1.3 研究的主要内容 | 第15页 |
| 1.4 论文的章节安排 | 第15-18页 |
| 第2章 SVM图像分类理论基础 | 第18-26页 |
| 2.1 统计学习概述 | 第18-20页 |
| 2.1.1 VC维与推广性的界 | 第18-19页 |
| 2.1.2 结构风险最小化原则 | 第19-20页 |
| 2.2 SVM基本思想 | 第20-24页 |
| 2.2.1 线性可分情况 | 第20-22页 |
| 2.2.2 软间隔分类 | 第22-23页 |
| 2.2.3 线性不可分情况 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于SVM的分散图像秸秆识别及覆盖率检测 | 第26-41页 |
| 3.1 分散图像预处理 | 第26-30页 |
| 3.1.1 基于灰度均衡化的秸秆提取 | 第26-28页 |
| 3.1.2 图像ESN预处理 | 第28-30页 |
| 3.2 SVM秸秆图像分类 | 第30-36页 |
| 3.2.1 训练样本选择 | 第31页 |
| 3.2.2 特征提取 | 第31-32页 |
| 3.2.3 样本训练 | 第32页 |
| 3.2.4 预测分类 | 第32页 |
| 3.2.5 SVM分类过程 | 第32-35页 |
| 3.2.6 图像梯形失真校正 | 第35-36页 |
| 3.3 覆盖率的计算 | 第36-40页 |
| 3.3.1 形态学图像处理 | 第37-38页 |
| 3.3.2 分散图像覆盖率计算 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于KNN的区域秸秆覆盖率估算思想 | 第41-57页 |
| 4.1 区域秸秆覆盖模拟框体 | 第41-42页 |
| 4.2 KNN算法思想 | 第42-44页 |
| 4.3 KNN分类过程 | 第44-54页 |
| 4.3.1 样本预处理和选取 | 第45-46页 |
| 4.3.2 特征选择 | 第46-47页 |
| 4.3.3 传统K值选取 | 第47-48页 |
| 4.3.4 特征权重值选取 | 第48页 |
| 4.3.5 改进的K值选取 | 第48-49页 |
| 4.3.6 基于耕向性的KNN特征加权 | 第49-50页 |
| 4.3.7 基于耕向性的KNN分类 | 第50-54页 |
| 4.4 本章小结 | 第54-57页 |
| 第5章 区域秸秆覆盖率估算系统设计与实现 | 第57-65页 |
| 5.1 秸秆覆盖率检测系统概述 | 第57-58页 |
| 5.1.1 秸秆覆盖率检测系统框图 | 第57页 |
| 5.1.2 服务器传输 | 第57-58页 |
| 5.1.3 系统的特点 | 第58页 |
| 5.2 需求分析 | 第58-59页 |
| 5.3 方案设计 | 第59-60页 |
| 5.3.1 总体思路 | 第59页 |
| 5.3.2 界面设计 | 第59-60页 |
| 5.3.3 模块划分 | 第60页 |
| 5.4 功能模块设计与实现 | 第60-61页 |
| 5.4.1 地块框架的搭建 | 第60页 |
| 5.4.2 Dis值、权重值输入 | 第60-61页 |
| 5.4.3 分类过程 | 第61页 |
| 5.5 软件操作说明 | 第61-63页 |
| 5.5.1 地块划分 | 第61-62页 |
| 5.5.2 样本输入 | 第62页 |
| 5.5.3 KNN参数设置 | 第62-63页 |
| 5.5.4 覆盖率估算系统实现 | 第63页 |
| 5.6 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间所发表的论文 | 第71-73页 |
| 致谢 | 第73页 |
