| 摘要 | 第5-7页 |
| ABSTRACT | 第7-10页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.1.1 植物鉴别的重要性 | 第14-15页 |
| 1.1.2 叶片分类的可行性 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 计算机视觉研究 | 第16-17页 |
| 1.2.2 特征获取与图像分类器 | 第17-18页 |
| 1.2.3 模糊聚类分类器在图像识别中的应用 | 第18页 |
| 1.2.4 机器视觉下的植物叶片图像识别 | 第18-19页 |
| 1.3 存在问题 | 第19-21页 |
| 1.4 研究目标与研究内容 | 第21-22页 |
| 1.4.1 研究目标 | 第21页 |
| 1.4.2 研究内容 | 第21-22页 |
| 1.5 研究方法与技术路线 | 第22-25页 |
| 1.5.1 研究方法 | 第22-23页 |
| 1.5.2 技术路线 | 第23-25页 |
| 1.5.2.1 核心算法设计 | 第23-24页 |
| 1.5.2.2 性能评估 | 第24页 |
| 1.5.2.3 分类识别研究 | 第24-25页 |
| 1.6 论文的组织结构 | 第25-26页 |
| 第2章 L-PCA算法下的高维图像降维处理 | 第26-47页 |
| 2.1 引言 | 第26-27页 |
| 2.2 降维算法分析 | 第27-37页 |
| 2.2.1 凸降维技术 | 第27-33页 |
| 2.2.1.1 全谱降维算法 | 第28-31页 |
| 2.2.1.2 稀疏谱降维算法 | 第31-33页 |
| 2.2.2 非凸降维算法 | 第33-35页 |
| 2.2.2.1 Sammon mapping | 第33-34页 |
| 2.2.2.2 LLC（Locally Linear Coordination） | 第34-35页 |
| 2.2.3 常见算法的对比分析 | 第35-36页 |
| 2.2.3.1 相互关系 | 第35页 |
| 2.2.3.2 性能比较 | 第35-36页 |
| 2.2.4 PCA与LDA | 第36-37页 |
| 2.3 | 第37-39页 |
| 2.3.1 算法思想 | 第37-38页 |
| 2.3.2 L-PCA算法步骤 | 第38-39页 |
| 2.4 实验与分析 | 第39-46页 |
| 2.4.1 供试数据集 | 第39-40页 |
| 2.4.2 实验方法 | 第40-41页 |
| 2.4.3 实验结果 | 第41-46页 |
| 2.4.3.1 人工数据集下的实验结果 | 第41-44页 |
| 2.4.3.2 实测数据集下的实验结果 | 第44-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第3章 基于模糊分离度的FCM算法加权指数优化研究 | 第47-56页 |
| 3.1 FCM算法研究及问题分析 | 第47-48页 |
| 3.2 基于模糊分离度的FCM聚类加权指数优选算法 | 第48-51页 |
| 3.2.1 FCM聚类算法 | 第48-49页 |
| 3.2.2 基于模糊分离度的FCM聚类算法 | 第49-51页 |
| 3.2.2.1 算法思想 | 第49页 |
| 3.2.2.2 密度函数定义 | 第49页 |
| 3.2.2.3 判别准则 | 第49-50页 |
| 3.2.2.4 算法步骤 | 第50-51页 |
| 3.2.3 基于模糊分离度的FCM聚类模糊加权指数优选算法EOSD | 第51页 |
| 3.3 实验结果与分析 | 第51-55页 |
| 3.3.1 供试数据集 | 第51-52页 |
| 3.3.2 试验方案 | 第52页 |
| 3.3.3 实验结果及分析 | 第52-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第4章 特征加权的模糊半监督聚类算法研究 | 第56-70页 |
| 4.1 半监督聚类算法研究进展与问题分析 | 第56-58页 |
| 4.2 半监督模糊加权聚类算法 | 第58-63页 |
| 4.2.1 SFFD算法模型 | 第58-62页 |
| 4.2.1.1 自适应距离范式下的FCM聚类算法 | 第58-59页 |
| 4.2.1.2 特征加权的模糊聚类算法 | 第59-61页 |
| 4.2.1.3 引入成对约束 | 第61-62页 |
| 4.2.2 算法描述 | 第62-63页 |
| 4.3 评价实验 | 第63-69页 |
| 4.3.1 实验数据集及实验方法 | 第63-64页 |
| 4.3.2 实验结果及分析 | 第64-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第5章 聚类有效性评价研究 | 第70-80页 |
| 5.1 聚类评价方法及问题分析 | 第70-71页 |
| 5.2 SFFD算法及权值的定义 | 第71-72页 |
| 5.3 性能评价算法 | 第72-73页 |
| 5.4 实验结果与分析 | 第73-78页 |
| 5.4.1 供试数据集及实验方案 | 第73-74页 |
| 5.4.2 实验结果 | 第74-78页 |
| 5.4.2.1 最佳聚类数的确定 | 第74-77页 |
| 5.4.2.2 UCI下权值v的变化情况 | 第77页 |
| 5.4.2.3 自测数据集下权值v的变化情况 | 第77-78页 |
| 5.5 本章小结 | 第78-80页 |
| 第6章 SFFD算法在植物叶片图像识别中的应用 | 第80-100页 |
| 6.1 植物叶片识别研究及问题分析 | 第80-83页 |
| 6.1.1 叶片识别特征的研究及问题分析 | 第80-81页 |
| 6.1.2 分类算法研究及问题分析 | 第81-83页 |
| 6.2 叶片识别框架 | 第83-89页 |
| 6.2.1 构建多种特征向量矩阵 | 第84-86页 |
| 6.2.1.1 叶缘特征提取方法 | 第84页 |
| 6.2.1.2 形状特征提取方法 | 第84-86页 |
| 6.2.1.3 纹理特征提取方法 | 第86页 |
| 6.2.1.4 复合特征的构建方法 | 第86页 |
| 6.2.2 植物叶片分类器算法设计 | 第86-89页 |
| 6.3 实验方法 | 第89-91页 |
| 6.4 算法性能分析 | 第91-98页 |
| 6.5 讨论 | 第98-99页 |
| 6.6 本章小结 | 第99-100页 |
| 第7章 结论和展望 | 第100-104页 |
| 7.1 结论 | 第100-101页 |
| 7.2 本文的创新点 | 第101-102页 |
| 7.3 展望 | 第102-104页 |
| 参考文献 | 第104-114页 |
| 致谢 | 第114-115页 |
| 攻读博士学位期间发表的论文、参加科研项目情况 | 第115页 |
