| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 缩略用语表 | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文的结构安排 | 第11-13页 |
| 第2章 树叶图像预处理与特征提取 | 第13-24页 |
| 2.1 图像预处理 | 第13-16页 |
| 2.1.1 实验数据集 | 第13-14页 |
| 2.1.2 几何归一化和灰度化 | 第14页 |
| 2.1.3 图像平滑 | 第14-16页 |
| 2.2 形状特征提取 | 第16-20页 |
| 2.2.1 矩 | 第16-17页 |
| 2.2.2 Hu不变矩 | 第17页 |
| 2.2.3 Hu矩的不变性 | 第17-20页 |
| 2.3 纹理特征提取 | 第20-23页 |
| 2.3.1 基本概念 | 第20-22页 |
| 2.3.2 步骤流程 | 第22-23页 |
| 2.3.3 统计特征 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 树叶图像的分类 | 第24-39页 |
| 3.1 几种常见算法介绍 | 第24-29页 |
| 3.1.1 决策树算法 | 第24-26页 |
| 3.1.2 线性判别分析算法 | 第26-28页 |
| 3.1.3 人工神经网络 | 第28-29页 |
| 3.2 BP神经网络 | 第29-34页 |
| 3.2.1 BP神经网络结构 | 第29-30页 |
| 3.2.2 BP神经网络的学习过程 | 第30-33页 |
| 3.2.3 BP神经网络的训练流程 | 第33-34页 |
| 3.3 BP神经网络的分类与改进 | 第34-38页 |
| 3.3.1 BP神经网络的分类 | 第34-35页 |
| 3.3.2 BP神经网络的不足以及产生的原因 | 第35页 |
| 3.3.3 BP神经网络的改进技术 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 分类算法优化 | 第39-53页 |
| 4.1 生物地理学优化算法 | 第39-43页 |
| 4.1.1 基本原理 | 第39-42页 |
| 4.1.2 算法流程 | 第42-43页 |
| 4.2 基于混沌理论的生物地理学优化算法 | 第43-49页 |
| 4.2.1 基本原理 | 第44-46页 |
| 4.2.2 算法流程 | 第46-47页 |
| 4.2.3 算法测试 | 第47-49页 |
| 4.3 基于CA-BBO算法优化BP神经网络 | 第49-51页 |
| 4.3.1 优化流程 | 第49-51页 |
| 4.3.2 CA-BBO对神经网络训练 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 实验结果与分析 | 第53-59页 |
| 5.1 实验分类结果 | 第53-54页 |
| 5.1.1 “Hu-GLCM+CA-BBO+BPNN”分类结果 | 第53页 |
| 5.1.2 “Hu/GLCM+CA-BBO+BPNN”分类结果 | 第53-54页 |
| 5.2 与其他算法的比较与分析 | 第54-58页 |
| 5.2.1 与BBO、PSO、ACO和PBIL优化算法的比较与分析 | 第54-56页 |
| 5.2.2 与BP神经网络、决策树、LDA分类算法的比较与分析 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表论文和参与基金项目 | 第65-66页 |
| 致谢 | 第66页 |
