| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容和技术路线 | 第14-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 试验材料与方法 | 第17-30页 |
| 2.1 无人机数码影像采集与处理 | 第17-21页 |
| 2.1.1 无人机图像采集原理 | 第17-18页 |
| 2.1.2 研究区域状况与图像采集 | 第18-19页 |
| 2.1.3 图像预处理 | 第19-21页 |
| 2.2 特征选择与建模方法 | 第21-25页 |
| 2.2.1 最优子集选择 | 第21-22页 |
| 2.2.2 向前逐步选择 | 第22-23页 |
| 2.2.3 向后逐步选择 | 第23页 |
| 2.2.4 线性回归分析 | 第23-25页 |
| 2.3 图像分割方法 | 第25-29页 |
| 2.3.1 聚类分析法 | 第25-27页 |
| 2.3.2 阈值分割法 | 第27-28页 |
| 2.3.3 区域分割法 | 第28-29页 |
| 2.4 估产模型建立 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于K均值聚类算法的水稻穗提取与产量估算研究 | 第30-36页 |
| 3.1 聚类色彩空间选择 | 第30-31页 |
| 3.2 基于K均值聚类算法的水稻穗分割与提取 | 第31-33页 |
| 3.2.1 K均值聚类算法 | 第31-32页 |
| 3.2.2 数学形态学处理 | 第32-33页 |
| 3.3 水稻产量估测结果分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于最优子集选择算法的水稻穗提取与产量估算研究 | 第36-44页 |
| 4.1 图像分类与特征提取 | 第36-37页 |
| 4.2 水稻穗特征选择与识别方法 | 第37-40页 |
| 4.2.1 线性回归与交叉验证 | 第37-39页 |
| 4.2.2 基于最优子集选择算法的特征选取 | 第39-40页 |
| 4.3 阈值分割法分割提取水稻穗 | 第40-42页 |
| 4.4 水稻产量估测结果分析 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于不同高度数码影像的水稻穗提取与产量估算研究 | 第44-51页 |
| 5.1 水稻穗特征选择与识别 | 第44-45页 |
| 5.2 图像分割提取水稻穗 | 第45-47页 |
| 5.3 结果与分析 | 第47-50页 |
| 5.3.1 水稻穗提取精度分析 | 第47-49页 |
| 5.3.2 水稻产量估测结果分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 结论与展望 | 第51-53页 |
| 6.1 结论 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士期间发表论文 | 第58-59页 |
