面向杂草识别的特征提取方法研究
| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 引言 | 第11-16页 |
| 1.1 研究的目的与意义 | 第11-12页 |
| 1.2 国内外发展动态 | 第12-13页 |
| 1.2.1 国外杂草识别的研究现状 | 第12页 |
| 1.2.2 国内杂草识别研究现状 | 第12-13页 |
| 1.2.3 特征提取研究动态 | 第13页 |
| 1.3 技术路线 | 第13-14页 |
| 1.4 研究内容 | 第14-16页 |
| 2 图像分割 | 第16-33页 |
| 2.1 图像灰度化 | 第16-18页 |
| 2.2 图像滤波 | 第18-20页 |
| 2.3 阈值分割 | 第20-25页 |
| 2.4 边缘检测 | 第25-32页 |
| 2.4.1 边缘检测算子 | 第25-29页 |
| 2.4.2 边缘检测结果比较和分析 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于主成分分析的特征提取与融合 | 第33-45页 |
| 3.1 多类别特征提取的融合 | 第33-41页 |
| 3.1.1 颜色特征的比较和提取 | 第33-36页 |
| 3.1.2 形状特征的比较和提取 | 第36-38页 |
| 3.1.3 纹理特征的提取 | 第38-41页 |
| 3.2 特征参数降维 | 第41-44页 |
| 3.2.1 主成分分析基本原理 | 第42-43页 |
| 3.2.2 主成分分析在特征参数降维中的应用 | 第43-44页 |
| 3.3 基于多特征融合的杂草识别 | 第44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 杂草识别对比试验 | 第45-55页 |
| 4.1 传统KNN方法 | 第45-46页 |
| 4.2 基于局部权重的K-近质心近邻分类算法 | 第46-50页 |
| 4.2.1 算法的提出 | 第46-47页 |
| 4.2.2 算法的基本思想 | 第47-48页 |
| 4.2.3 算法流程 | 第48-50页 |
| 4.3 杂草的对比性试验 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 结论 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的学术论文 | 第61页 |
