| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内研究现状 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-14页 |
| 1.3 存在的问题 | 第14-15页 |
| 1.4 主要研究内容及技术路线 | 第15-16页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 技术路线 | 第16页 |
| 1.5 论文的结构 | 第16页 |
| 1.6 本章小结 | 第16-18页 |
| 第二章 植物叶片图像的样本采集与图像预处理 | 第18-26页 |
| 2.1 原始植物叶片图像的获取 | 第18-19页 |
| 2.1.1 实验材料的采集 | 第18页 |
| 2.1.2 几种不同类型的植物叶片图像 | 第18-19页 |
| 2.2 灰度转换 | 第19-22页 |
| 2.3 图像增强 | 第22页 |
| 2.4 灰度形态学处理 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于K-Means的植物叶片图像类型识别与叶脉提取 | 第26-35页 |
| 3.1 HSV彩色空间中的K-Means聚类 | 第26-27页 |
| 3.2 绿色与枯黄植物叶片图像的区分 | 第27页 |
| 3.3 受光均匀与不均匀植物叶片图像的区分 | 第27-30页 |
| 3.3.1 绿色植物叶片受光均匀与不均匀的区分 | 第27-29页 |
| 3.3.2 枯黄的植物叶片受光均匀与不均匀的区分 | 第29-30页 |
| 3.3.3 植物叶片图像类型识别的基本步骤 | 第30页 |
| 3.4 基于K-Means聚类的植物叶脉提取 | 第30-32页 |
| 3.4.1 受光均匀的植物叶片图像叶脉的提取 | 第30-31页 |
| 3.4.2 受光不均匀的植物叶片图像叶脉的提取 | 第31-32页 |
| 3.4.3 基于K-Means聚类的植物叶脉提取的基本步骤 | 第32页 |
| 3.5 基于K-Means聚类的植物叶片图像叶脉提取实验结果分析 | 第32-34页 |
| 3.5.1 叶脉提取效果 | 第32-33页 |
| 3.5.2 算法对比与分析 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于直方图信息的植物叶脉快速模糊C均值聚类提取算法 | 第35-46页 |
| 4.1 传统模糊C均值聚类(FCM)算法 | 第35-36页 |
| 4.2 基于直方图信息的快速FCM算法(FFCM) | 第36-37页 |
| 4.3 基于直方图信息与FFCM聚类改进的植物叶脉提取方法 | 第37-39页 |
| 4.3.1 植物叶片图像类型的区分 | 第37-38页 |
| 4.3.2 植物叶片图像的叶脉提取 | 第38-39页 |
| 4.4 基于直方图信息的快速模糊C均值聚类叶脉提取实验结果分析 | 第39-41页 |
| 4.4.1 叶脉提取效果 | 第39-40页 |
| 4.4.2 算法耗时分析 | 第40-41页 |
| 4.5 叶脉分割实验结果的细节处理 | 第41-42页 |
| 4.6 实验结果讨论 | 第42-44页 |
| 4.7 存在的问题 | 第44-45页 |
| 4.8 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46-47页 |
| 5.2 展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |
| 作者简介 | 第53页 |
