基于机器视觉的莲蓬识别关键技术研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究目的及意义 | 第11-12页 |
| 1.2 国内外目标识别研究现状 | 第12-14页 |
| 1.2.1 国外目标识别研究现状 | 第13页 |
| 1.2.2 国内目标识别研究现状 | 第13-14页 |
| 1.3 主要问题与挑战 | 第14-16页 |
| 1.4 本文技术路线 | 第16-17页 |
| 1.5 本文研究内容 | 第17-19页 |
| 第二章 莲蓬图像信息获取 | 第19-27页 |
| 2.1 机器视觉中的图像采集技术 | 第19-21页 |
| 2.1.1 机器视觉基本理论 | 第19页 |
| 2.1.2 图像采集 | 第19-21页 |
| 2.2 影响视觉系统识别的因素分析 | 第21-22页 |
| 2.2.1 莲蓬的生长环境及特点 | 第21-22页 |
| 2.2.2 拍摄角度及光照条件 | 第22页 |
| 2.3 莲蓬识别的机器视觉系统组成 | 第22-24页 |
| 2.3.1 莲蓬识别视觉系统硬件构成 | 第22-23页 |
| 2.3.2 莲蓬识别视觉系统软件实现 | 第23页 |
| 2.3.3 莲蓬图像采集方案 | 第23-24页 |
| 2.4 本章小结 | 第24-27页 |
| 第三章 莲蓬图像预处理 | 第27-41页 |
| 3.1 颜色空间选取 | 第27-32页 |
| 3.1.1 彩色基础 | 第28页 |
| 3.1.2 RGB颜色空间 | 第28-30页 |
| 3.1.3 HSI颜色空间 | 第30-31页 |
| 3.1.4 颜色空间的选取 | 第31-32页 |
| 3.2 图像分割 | 第32-36页 |
| 3.2.1 PCNN基本原理 | 第32-34页 |
| 3.2.2 基于PCNN的莲蓬图像分割 | 第34-36页 |
| 3.3 区域噪声去除及空洞填充 | 第36-39页 |
| 3.3.1 数学形态学方法 | 第36页 |
| 3.3.2 形态学膨胀 | 第36-37页 |
| 3.3.3 形态学腐蚀 | 第37页 |
| 3.3.4 形态学开闭运算 | 第37-38页 |
| 3.3.5 噪声去除和孔洞填充 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 目标图像特征提取及特征降维 | 第41-53页 |
| 4.1 颜色特征提取 | 第41-44页 |
| 4.2 形态特征提取 | 第44-47页 |
| 4.2.1 Hu不变矩概念 | 第45-46页 |
| 4.2.2 Hu不变矩特征提取 | 第46-47页 |
| 4.3 基于PCA的特征降维 | 第47-52页 |
| 4.3.1 特征数据分析 | 第47-48页 |
| 4.3.2 数据变换处理 | 第48-49页 |
| 4.3.3 PCA特征降维 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于K-Means的目标识别及实验分析 | 第53-67页 |
| 5.1 K-Means算法简介 | 第53-57页 |
| 5.1.1 聚类概念简介 | 第53-54页 |
| 5.1.2 K-means聚类原理 | 第54-55页 |
| 5.1.3 基于K-Means的目标识别 | 第55-57页 |
| 5.2 目标图像识别过程 | 第57-63页 |
| 5.2.1 实验环境 | 第57-58页 |
| 5.2.2 图像预处理 | 第58页 |
| 5.2.3 颜色和形状特征提取 | 第58-60页 |
| 5.2.4 PCA特征降维 | 第60-62页 |
| 5.2.5 基于K-Means的训练实验 | 第62-63页 |
| 5.2.6 测试实验 | 第63页 |
| 5.3 实验分析与讨论 | 第63-66页 |
| 5.3.1 图像预处理及特征提取分析 | 第63-65页 |
| 5.3.2 训练实验及测试实验分析 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 研究内容总结 | 第67-68页 |
| 6.2 后续工作展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
| 硕士期间的科研成果 | 第76页 |
