| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 前言 | 第8-13页 |
| 1.1 研究目的及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 研究内容及方法 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 基本概念原理介绍 | 第13-24页 |
| 2.1 Zemike矩描述子 | 第13-14页 |
| 2.2 方向梯度直方图HOG特征 | 第14-15页 |
| 2.3 SURF快速鲁棒性特征描述子 | 第15-17页 |
| 2.4 K-Means聚类算法和SVM支持向量机 | 第17-20页 |
| 2.5 CNN卷积神经网络 | 第20-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于Zernike矩与BoF-SURF特征融合的花粉图像分类识别算法 | 第24-34页 |
| 3.1 Zemike矩描述子 | 第24-25页 |
| 3.2 SURF斑点特征描述子 | 第25-27页 |
| 3.3 BoF-SURF特征包 | 第27页 |
| 3.4 特征融合以及分类识别 | 第27-29页 |
| 3.5 实验结果及分析 | 第29-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 基于卷积神经网络CNN特征融合的花粉图像分类识别算法 | 第34-47页 |
| 4.1 图像标准化处理 | 第34-36页 |
| 4.2 方向梯度直方图特征化处理 | 第36-37页 |
| 4.3 卷积神经网络CNN改进及结构设计 | 第37-41页 |
| 4.4 基于卷积神经网络CNN特征融合算法描述 | 第41-42页 |
| 4.5 实验结果及分析 | 第42-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 两种特征融合算法的实验对比分析 | 第47-52页 |
| 5.1 Confocal图像库上的实验结果 | 第47-49页 |
| 5.2 Pollenmonitor图像库上的实验结果 | 第49-50页 |
| 5.3 两种算法平均性能的对比 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 研究总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 作者简介 | 第60页 |
