| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 课题研究意义 | 第14-15页 |
| 1.3 本文工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关工作综述 | 第18-37页 |
| 2.1 传统图像识别方法 | 第18-25页 |
| 2.1.1 国内外相关工作 | 第18-19页 |
| 2.1.2 颜色直方图 | 第19-20页 |
| 2.1.3 颜色矩 | 第20-21页 |
| 2.1.4 尺度不变特征变换(SIFT) | 第21-23页 |
| 2.1.5 特征编码 | 第23-24页 |
| 2.1.6 空间金字塔匹配 | 第24-25页 |
| 2.2 深度学习图像识别方法 | 第25-34页 |
| 2.2.1 国内外相关工作 | 第25-27页 |
| 2.2.2 卷积神经网络 | 第27-28页 |
| 2.2.3 AlexNet | 第28-30页 |
| 2.2.4 VGGNet | 第30-32页 |
| 2.2.5 GoogLeNet | 第32-33页 |
| 2.2.6 ResNet | 第33-34页 |
| 2.3 其他方法 | 第34-36页 |
| 2.3.1 K-means | 第34-35页 |
| 2.3.2 高斯混合模型GMM | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 数据集构建 | 第37-41页 |
| 3.1 引言 | 第37页 |
| 3.2 自建图像集 | 第37-39页 |
| 3.2.1 实用植物图像集构建 | 第37-38页 |
| 3.2.2 常见药用植物图像集 | 第38-39页 |
| 3.3 公共图像集 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于图像底层特征融合的植物图像识别方法研究 | 第41-50页 |
| 4.1 图像预处理 | 第41-42页 |
| 4.2 图像底层特征提取 | 第42-43页 |
| 4.3 图像底层特征编码 | 第43-44页 |
| 4.4 图像底层特征融合模型 | 第44-45页 |
| 4.5 实验结果及分析 | 第45-49页 |
| 4.5.1 SIFT图像块大小 | 第45-46页 |
| 4.5.2 视觉词典大小 | 第46-47页 |
| 4.5.3 SPM层数 | 第47-48页 |
| 4.5.4 关键区域提取 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 基于深度学习的植物图像识别方法研究 | 第50-71页 |
| 5.1 卷积神经网络训练模式的影响研究 | 第50-62页 |
| 5.1.1 数据预处理 | 第50-51页 |
| 5.1.2 训练模式 | 第51页 |
| 5.1.3 模型实现 | 第51-53页 |
| 5.1.4 实验结果 | 第53-60页 |
| 5.1.5 小结 | 第60-62页 |
| 5.2 基于关键区域的植物图像识别研究 | 第62-70页 |
| 5.2.1 基于Selective Search的植物图像关键区域生成算法 | 第63-65页 |
| 5.2.2 面向关键区域的植物图像识别模型 | 第65-66页 |
| 5.2.3 实验结果 | 第66-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第6章 药用植物图像识别系统设计与实现 | 第71-76页 |
| 6.1 系统概述 | 第71页 |
| 6.2 系统架构 | 第71页 |
| 6.3 系统设计 | 第71-72页 |
| 6.4 系统展示 | 第72-75页 |
| 6.4.1 基于图像的检索 | 第72-74页 |
| 6.4.2 基于关键词的检索 | 第74-75页 |
| 6.5 本章小结 | 第75-76页 |
| 第7章 总结与展望 | 第76-78页 |
| 7.1 总结 | 第76-77页 |
| 7.2 展望 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 攻读硕士学位期间主要的研究成果 | 第85-86页 |
| 致谢 | 第86页 |