| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1. 绪论 | 第10-19页 |
| ·研究的背景 | 第10-13页 |
| ·研究内容与研究方法 | 第13-15页 |
| ·图像处理技术在国内外农业上的应用 | 第15-16页 |
| ·国内外利用图像处理技术在小麦种植方面的应用 | 第16页 |
| ·研究的意义 | 第16-17页 |
| ·各章节安排 | 第17-19页 |
| 2. 计算机视觉中的物体识别技术与不完整信息下的麦穗识别 | 第19-38页 |
| ·物体识别技术的现状与趋势 | 第19-22页 |
| ·计算机视觉中物体识别的基本过程 | 第22-31页 |
| ·特征提取 | 第23-25页 |
| ·物体识别模型的建立 | 第25-31页 |
| ·小麦表型图像中麦穗特征的基本问题 | 第31-37页 |
| ·不完整信息的概念 | 第34-36页 |
| ·不完整信息下的麦穗识别 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 3. 基于Laws纹理分析的麦穗识别 | 第38-68页 |
| ·计算机视觉的纹理分析技术简介 | 第38-40页 |
| ·常用的纹理分析方法 | 第40-46页 |
| ·基于改进的Laws纹理特征的麦穗识别 | 第46-59页 |
| ·掩膜生成 | 第46-47页 |
| ·训练样本准备 | 第47-48页 |
| ·模型选择-神经网络 | 第48-53页 |
| ·模型选择-支持向量机SVM | 第53-59页 |
| ·综合分析 | 第59页 |
| ·层次式检测模型 | 第59-67页 |
| ·实验过程 | 第62-65页 |
| ·实验总结 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 4. 基于Gabor域局部显著性实现麦穗的检测 | 第68-97页 |
| ·Gabor简介 | 第68-71页 |
| ·Gabor定义 | 第69-71页 |
| ·显著性介绍 | 第71-78页 |
| ·局部对比度和全局对比度 | 第71-72页 |
| ·主要的显著性检测算法 | 第72-78页 |
| ·基于Gabor域局部显著性实现麦穗检测 | 第78-95页 |
| ·频域显著性检测原理 | 第78-85页 |
| ·基于Gabor域局部显著性的麦穗识别方法 | 第85-91页 |
| ·分类模型训练 | 第91-95页 |
| ·本章小结 | 第95-97页 |
| 5. 基于改进Laws特征与Gabor局部显著性特征模型的比较 | 第97-113页 |
| ·两种模型的差异 | 第97-101页 |
| ·像素级麦穗区域分割算法 | 第97-99页 |
| ·基于Gabor域局部显著性的区域分割算法 | 第99-100页 |
| ·计算时间与复杂性 | 第100-101页 |
| ·两种模型的共同点 | 第101-112页 |
| ·层次型的模型结构 | 第101页 |
| ·分类模型的特征 | 第101-109页 |
| ·模型的选择 | 第109-112页 |
| ·本章小结 | 第112-113页 |
| 6. 深度卷积网络模型用于麦穗识别 | 第113-141页 |
| ·深度学习(DeepLearing)方法 | 第114-117页 |
| ·深度卷积网络用于麦穗识别 | 第117-140页 |
| ·本章基本软硬件说明 | 第118页 |
| ·深度为4层的麦穗识别模型 | 第118-123页 |
| ·深度为8层的麦穗识别模型 | 第123-133页 |
| ·深度为13层的麦穗识别模型 | 第133-140页 |
| ·本章小结 | 第140-141页 |
| 7. 结论及展望 | 第141-143页 |
| ·结论 | 第141-142页 |
| ·展望 | 第142-143页 |
| 参考文献 | 第143-150页 |
| 个人简介 | 第150-151页 |
| 导师简介 | 第151-152页 |
| 获得成果目录 | 第152-153页 |
| 致谢 | 第153-154页 |
| 附图 | 第154-160页 |