棉花除草机器人的植物叶片分类识别算法
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 叶片特征提取的研究现状 | 第8页 |
| 1.2.2 叶片分类方法研究 | 第8-9页 |
| 1.3 研究内容 | 第9-11页 |
| 2 棉花与杂草叶片的预处理 | 第11-16页 |
| 2.1 图像灰度化 | 第11-12页 |
| 2.2 图像二值化 | 第12-14页 |
| 2.3 形态学处理 | 第14页 |
| 2.4 提取叶片轮廓 | 第14-15页 |
| 2.5 本章小结 | 第15-16页 |
| 3 植物叶片特征的提取 | 第16-23页 |
| 3.1 几何形状特征 | 第16-17页 |
| 3.2 图像Hu矩特征 | 第17-20页 |
| 3.3 纹理特征提取 | 第20-22页 |
| 3.4 本章小结 | 第22-23页 |
| 4 植物叶片的K近邻分类算法 | 第23-26页 |
| 4.1 KD树的构造 | 第23-24页 |
| 4.2 KD树的近邻搜索算法 | 第24-25页 |
| 4.3 K近邻分类算法 | 第25-26页 |
| 5 BP神经网络分类识别算法 | 第26-30页 |
| 5.1 人工神经元 | 第26-27页 |
| 5.2 BP神经网络的权值更新 | 第27-29页 |
| 5.3 BP神经网络分类效果 | 第29-30页 |
| 6 支持向量机 | 第30-42页 |
| 6.1 线性可分支持向量机 | 第30-33页 |
| 6.2 线性支持向量机 | 第33-36页 |
| 6.3 非线性支持向量机 | 第36-39页 |
| 6.4 棉花与杂草支持向量机分类效果 | 第39-40页 |
| 6.5 三种分类识别算法的效果比较 | 第40-42页 |
| 7 总结与展望 | 第42-43页 |
| 7.1 工作总结 | 第42页 |
| 7.2 展望 | 第42-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 附录 | 第47页 |
| A.作者在攻读学位期间发表的论文目录 | 第47页 |
| B.作者在攻读学位期间取得的科研成果目录 | 第47页 |
