图像分类中的K近邻方法的改进研究及应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的研究内容及技术路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 技术路线 | 第14-15页 |
| 第2章 近邻分类方法 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 典型分类方法 | 第15-16页 |
| 2.3 近邻分类方法 | 第16-19页 |
| 2.3.1 最近邻分类方法 | 第16页 |
| 2.3.2 K-近邻分类方法 | 第16-18页 |
| 2.3.3 K-近邻分类方法实现 | 第18页 |
| 2.3.4 K-近邻分类方法分析 | 第18-19页 |
| 2.4 两种典型的改进K近邻分类方法 | 第19-22页 |
| 2.4.1 近质心近邻选取原则 | 第19-20页 |
| 2.4.2 K-近质心近邻分类方法 | 第20-22页 |
| 2.4.3 基于局部均值的非参数分类方法 | 第22页 |
| 2.5 评价分类方法的技术指标 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于局部均值与类均值的质心近邻分类方法 | 第24-33页 |
| 3.1 引言 | 第24-25页 |
| 3.2 基于局部均值与类均值的质心近邻分类方法 | 第25-28页 |
| 3.2.1 问题的提出 | 第25页 |
| 3.2.2 CNNCM的基本原理 | 第25-27页 |
| 3.2.3 CNNCM的基本流程 | 第27-28页 |
| 3.3 实验结果及分析 | 第28-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于局部权重的K-近质心近邻分类方法 | 第33-45页 |
| 4.1 引言 | 第33页 |
| 4.2 基于局部权重的K-近质心近邻分类方法 | 第33-36页 |
| 4.2.1 LWKNCN的基本原理 | 第33-35页 |
| 4.2.2 LWKNCN的算法流程 | 第35-36页 |
| 4.3 实验结果及分析 | 第36-44页 |
| 4.3.1 在UCI数据实验结果分析 | 第37-40页 |
| 4.3.2 在人造数据实验结果分析 | 第40-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 改进的KNN方法在杂草识别的应用 | 第45-64页 |
| 5.1 引言 | 第45页 |
| 5.2 图像预处理 | 第45-51页 |
| 5.2.1 图像的灰度化方法 | 第45-46页 |
| 5.2.2 图像滤波 | 第46-48页 |
| 5.2.3 阈值分割方法 | 第48-51页 |
| 5.3 边缘检测 | 第51-56页 |
| 5.4 特征提取 | 第56-61页 |
| 5.4.1 颜色特征提取 | 第56-57页 |
| 5.4.2 形状特征提取 | 第57-59页 |
| 5.4.3 纹理特征提取 | 第59-61页 |
| 5.5 改进的KNN方法在杂草数据实验结果分析 | 第61-63页 |
| 5.6 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |
