| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外基于图像识别技术在植株营养诊断方面的研究进展 | 第10-12页 |
| 1.2.1 国外研究进展 | 第10-11页 |
| 1.2.2 国内研究进展 | 第11-12页 |
| 1.3 本文的研究内容、组织结构和技术路线 | 第12-14页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 组织结构 | 第12-13页 |
| 1.3.3 技术路线 | 第13-14页 |
| 第二章 缺素植株叶片的图像预处理与分割 | 第14-23页 |
| 2.1 图像的采集方式 | 第14页 |
| 2.2 图像处理的主要研究内容 | 第14-15页 |
| 2.3 图像的预处理 | 第15-17页 |
| 2.3.1 基于频域的方法 | 第15-16页 |
| 2.3.2 基于空间域的方法 | 第16-17页 |
| 2.4 植株缺素叶片的图像分割 | 第17-22页 |
| 2.4.1 传统的阈值分割 | 第17-18页 |
| 2.4.2 基于脉冲耦合神经网络模型的图像分割 | 第18-20页 |
| 2.4.2.1 脉冲耦合神经网络模型 | 第19-20页 |
| 2.4.2.2 脉冲耦合神经网络模型分割原理 | 第20页 |
| 2.4.2.3 最大熵决策机制 | 第20页 |
| 2.4.3 分割方法的比较与分析 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 植株缺素叶片的图像特征选择和提取 | 第23-34页 |
| 3.1 特征选取的原则 | 第23页 |
| 3.2 颜色特征参数的提取 | 第23-28页 |
| 3.2.1 RGB颜色模型 | 第24页 |
| 3.2.2 HSV颜色模型 | 第24-26页 |
| 3.2.3 颜色特征参数提取结果与分析 | 第26-28页 |
| 3.3 纹理特征参数的提取 | 第28-32页 |
| 3.3.1 灰度共生矩阵 | 第28-30页 |
| 3.3.2 纹理特征参数提取结果与分析 | 第30-32页 |
| 3.4 数据的归一化处理 | 第32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 模式识别缺素分类研究 | 第34-42页 |
| 4.1 模式识别简介 | 第34-35页 |
| 4.2 模式识别方法简介 | 第35-36页 |
| 4.3 支持向量机 | 第36-37页 |
| 4.3.1 支持向量机的线性可分情况 | 第36-37页 |
| 4.3.2 支持向量机的线性不可分情况 | 第37页 |
| 4.4 基于遗传算法的支持向量机参数优化 | 第37-39页 |
| 4.5 支持向量机多分类策略 | 第39-41页 |
| 4.5.1 多分类策略简介 | 第39-40页 |
| 4.5.2 本文选取的分类策略 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 基于支持向量机的植株缺素分类识别 | 第42-47页 |
| 5.1 支持向量机模型的建立 | 第42页 |
| 5.2 支持向量机的植株缺素分类识别 | 第42-46页 |
| 5.2.1 基于不同特征参数的分类识别 | 第42-44页 |
| 5.2.2 基于遗传算法优化的分类识别 | 第44-46页 |
| 5.3 本章小结 | 第46-47页 |
| 第六章 结论与展望 | 第47-49页 |
| 6.1 结论 | 第47页 |
| 6.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 发表论文和科研情况说明 | 第52-53页 |
| 致谢 | 第53-54页 |