| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第12-17页 |
| 1.1 研究背景与意义 | 第12页 |
| 1.2 国内外研究进展 | 第12-15页 |
| 1.2.1 便携式叶绿素仪在作物氮素诊断中的应用 | 第13页 |
| 1.2.2 高光谱遥感技术在作物氮素诊断中的应用 | 第13-14页 |
| 1.2.3 数字图像技术在作物氮素诊断中的应用 | 第14页 |
| 1.2.4 多元信息融合技术在农业工程中的应用 | 第14-15页 |
| 1.3 研究目标、内容和技术路线 | 第15-17页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 研究内容 | 第15-16页 |
| 1.3.3 技术路线 | 第16-17页 |
| 2 试验设计及数据预处理 | 第17-20页 |
| 2.1 试验区域设计 | 第17页 |
| 2.2 试验数据采集设计 | 第17页 |
| 2.3 光谱数据采集 | 第17-18页 |
| 2.4 图像数据采集 | 第18页 |
| 2.5 冠层氮含量测定 | 第18页 |
| 2.6 数据归一化处理 | 第18-19页 |
| 2.7 特征主成分分析 | 第19-20页 |
| 3 图像颜色特征信息提取 | 第20-34页 |
| 3.1 颜色系统空间 | 第20-24页 |
| 3.1.1 RGB颜色系统 | 第20-21页 |
| 3.1.2 HSI颜色系统 | 第21-22页 |
| 3.1.3 L~*a~*b~*颜色系统 | 第22-24页 |
| 3.2 图像颜色特征信息提取 | 第24-33页 |
| 3.2.1 图像预处理 | 第24-32页 |
| 3.2.2 颜色特征信息的提取 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 基于数字图像信息的甜菜氮素营养诊断分析 | 第34-54页 |
| 4.1 颜色参量及组合特征与氮含量相关性分析 | 第34-37页 |
| 4.1.1 颜色指标 | 第34页 |
| 4.1.2 敏感颜色特征的筛选 | 第34-37页 |
| 4.2 基于SMLR的氮素含量诊断模型的建立 | 第37-40页 |
| 4.3 颜色特征主成分分析 | 第40-42页 |
| 4.4 基于SVM的氮素含量诊断模型的建立 | 第42-48页 |
| 4.4.1 支持向量机算法 | 第42-45页 |
| 4.4.2 建立SVM氮素诊断模型 | 第45-48页 |
| 4.5 基于BP神经网络的氮素含量诊断模型的建立 | 第48-53页 |
| 4.5.1 BP神经网络算法 | 第48-50页 |
| 4.5.2 建立BP神经网络氮素诊断模型 | 第50-53页 |
| 4.6 本章小结 | 第53-54页 |
| 5 基于可见近红外光谱信息的甜菜氮素营养诊断分析 | 第54-58页 |
| 5.1 高光谱植被指数 | 第54-55页 |
| 5.2 基于SMLR的甜菜氮素营养诊断模型的建立 | 第55-56页 |
| 5.3 本章小结 | 第56-58页 |
| 6 基于可见近红外光谱与数字图像信息融合的甜菜氮素营养诊断分析 | 第58-66页 |
| 6.1 信息融合技术 | 第58页 |
| 6.2 可见近红外光谱与数字图像融合信息的主成分分析 | 第58-60页 |
| 6.3 基于SVM的氮素含量诊断模型的建立 | 第60-62页 |
| 6.4 基于BP神经网络的氮素含量诊断模型的建立 | 第62-65页 |
| 6.5 本章小结 | 第65-66页 |
| 7 结论与展望 | 第66-69页 |
| 7.1 结论 | 第66-67页 |
| 7.2 展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 作者简介 | 第74页 |