基于极坐标的移动设备叶片识别系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1. 引言 | 第8-14页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 研究目的及意义 | 第12页 |
| 1.4 研究工作内容 | 第12-13页 |
| 1.5 论文结构 | 第13-14页 |
| 2. 植物叶片识别相关理论 | 第14-30页 |
| 2.1 图像获取 | 第14页 |
| 2.2 图像预处理 | 第14-23页 |
| 2.2.1 RGB色彩模型 | 第15页 |
| 2.2.2 图像灰度化 | 第15页 |
| 2.2.3 灰度拉伸 | 第15-16页 |
| 2.2.4 滤波 | 第16-17页 |
| 2.2.5 边缘检测 | 第17-18页 |
| 2.2.6 图像二值化 | 第18-21页 |
| 2.2.7 极坐标转换 | 第21-23页 |
| 2.3 叶片特征提取 | 第23-26页 |
| 2.3.1 叶片外形特征 | 第23-24页 |
| 2.3.2 计算机辅助叶片形状特征 | 第24-26页 |
| 2.3.3 叶片纹理特征 | 第26页 |
| 2.3.4 灰度的统计特征 | 第26页 |
| 2.4 分类器 | 第26-29页 |
| 2.4.1 最短距离分类 | 第26-27页 |
| 2.4.2 KNN分类器 | 第27页 |
| 2.4.3 人工神经网络 | 第27-28页 |
| 2.4.4 SVM分类器 | 第28-29页 |
| 2.4.5 贝叶斯分类器 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 3. 基于极坐标的叶片特征提取 | 第30-40页 |
| 3.1 极坐标特征 | 第30-36页 |
| 3.1.1 跨度比 | 第30-32页 |
| 3.1.2 曲面面积比率 | 第32-33页 |
| 3.1.3 饱和度 | 第33-34页 |
| 3.1.4 高度变化率 | 第34-36页 |
| 3.2 实验及分析 | 第36-39页 |
| 3.2.1 Flavia数据集 | 第36页 |
| 3.2.2 训练与分类 | 第36-37页 |
| 3.2.3 叶片图像变换特征值比较 | 第37-38页 |
| 3.2.4 叶片识别正确率比较 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4. 基于极坐标的叶片识别系统的设计与实现 | 第40-55页 |
| 4.1 叶片识别系统设计 | 第40-42页 |
| 4.1.1 功能需求 | 第40页 |
| 4.1.2 识别系统架构设计 | 第40-42页 |
| 4.2 叶片识别系统实现 | 第42-54页 |
| 4.2.1. 训练数据集 | 第42-46页 |
| 4.2.2 Web服务实现 | 第46-50页 |
| 4.2.3 Android客户端实现 | 第50-54页 |
| 4.3 本章小结 | 第54-55页 |
| 5. 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 个人简介 | 第61-62页 |
| 导师简介 | 第62-63页 |
| 获得成果目录清单 | 第63-64页 |
| 致谢 | 第64页 |
