| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-25页 |
| ·研究背景和意义 | 第11-14页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12-14页 |
| ·计算机自动植物种类识别的国内外研究现状 | 第14-18页 |
| ·基于叶片图像的植物种类识别研究 | 第15-16页 |
| ·基于树皮图像的植物种类识别研究 | 第16-18页 |
| ·研究对象及方法 | 第18-19页 |
| ·研究对象 | 第18-19页 |
| ·研究方法 | 第19页 |
| ·研究内容 | 第19-21页 |
| ·图像分割 | 第20页 |
| ·特征提取 | 第20-21页 |
| ·分类器设计 | 第21页 |
| ·主要工作及组织结构 | 第21-23页 |
| ·主要工作 | 第21-22页 |
| ·组织结构 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 2 研究理论基础概述 | 第25-51页 |
| ·图像预处理 | 第25-26页 |
| ·特征提取 | 第26-38页 |
| ·形状特征 | 第27-30页 |
| ·纹理特征 | 第30-35页 |
| ·颜色特征 | 第35-38页 |
| ·特征选择方法 | 第38-41页 |
| ·特征选择定义 | 第38-39页 |
| ·按搜索策略划分特征选择算法 | 第39-40页 |
| ·按特征子集评价策略划分特征选择算法 | 第40-41页 |
| ·常见的分类器 | 第41-48页 |
| ·贝叶斯分类器 | 第41-42页 |
| ·人工神经网络分类器 | 第42-43页 |
| ·K近邻分类算法 | 第43-44页 |
| ·支持向量机SVM | 第44-45页 |
| ·决策树分类算法 | 第45-48页 |
| ·本章小结 | 第48-51页 |
| 3 目标图像的预处理及特征提取 | 第51-73页 |
| ·特征选取 | 第51-52页 |
| ·树皮的纹理特征提取 | 第52-58页 |
| ·分形特征 | 第53-56页 |
| ·基于灰度共生矩阵的特征 | 第56-58页 |
| ·叶片图像的预处理及特征提取 | 第58-69页 |
| ·叶片图像的预处理 | 第59-62页 |
| ·叶片几何特征 | 第62-67页 |
| ·叶片的纹理特征 | 第67-69页 |
| ·特征提取结果及分析 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 4 基于AdaBoost.M2-KNN算法的杨树种类识别研究 | 第73-93页 |
| ·KNN分类器 | 第74-77页 |
| ·基本原理 | 第74-76页 |
| ·改进的K近邻算法 | 第76-77页 |
| ·AdaBoost分类器 | 第77-78页 |
| ·基本原理 | 第77-78页 |
| ·AdaBoost.M2算法 | 第78页 |
| ·AdaBoost.M2-KNN算法 | 第78-81页 |
| ·实验方法及结果分析 | 第81-82页 |
| ·实验方法 | 第81-82页 |
| ·实验结果 | 第82页 |
| ·结果分析 | 第82-89页 |
| ·不同种类杨树器官之间的相似度 | 第84-86页 |
| ·特殊样本 | 第86-88页 |
| ·采集条件的影响 | 第88-89页 |
| ·系统简介 | 第89-91页 |
| ·系统设计 | 第89页 |
| ·总体结构及主要模块 | 第89-91页 |
| ·开发软件及系统环境 | 第91页 |
| ·本章小结 | 第91-93页 |
| 5 总结与展望 | 第93-97页 |
| ·总结 | 第93-95页 |
| ·展望 | 第95-97页 |
| 参考文献 | 第97-103页 |
| 个人简介 | 第103-105页 |
| 导师简介 | 第105-107页 |
| 获得成果目录 | 第107-109页 |
| 致谢 | 第109页 |