| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 注释表 | 第12-14页 |
| 缩略词 | 第14-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题的研究背景和意义 | 第15页 |
| 1.2 课题的国内外研究概况 | 第15-19页 |
| 1.2.1 烟草异物检测 | 第15-17页 |
| 1.2.2 烟叶分类分级 | 第17-19页 |
| 1.3 本文的章节安排及创新点 | 第19-21页 |
| 1.3.1 本文的章节安排 | 第19-20页 |
| 1.3.2 本文的主要创新点 | 第20-21页 |
| 第二章 基于非局部相似性交叉熵的含噪烟草图像异物检测 | 第21-29页 |
| 2.1 引言 | 第21-22页 |
| 2.2 非局部相似性交叉熵阈值分割算法原理 | 第22-24页 |
| 2.2.1 香农交叉熵及自适应阈值向量组 | 第22-23页 |
| 2.2.2 分割前后图像的概率分布表示 | 第23-24页 |
| 2.2.3 具体步骤和流程 | 第24页 |
| 2.3 实验结果与分析 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于改进灰度熵的烟草图像异物检测 | 第29-39页 |
| 3.1 引言 | 第29-30页 |
| 3.2 一维改进灰度熵 | 第30-32页 |
| 3.2.1 一维灰度熵 | 第30-31页 |
| 3.2.2 一维改进灰度熵阈值选取公式 | 第31-32页 |
| 3.3 二维改进灰度熵及其双向递推算法 | 第32-35页 |
| 3.3.1 二维改进灰度熵阈值选取公式 | 第32-33页 |
| 3.3.2 双向递推算法 | 第33-35页 |
| 3.4 实验结果与分析 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 基于引导核聚类和自适应搜索窗的非局部均值烟叶图像去噪 | 第39-47页 |
| 4.1 引言 | 第39-40页 |
| 4.2 非局部均值和引导核 | 第40页 |
| 4.2.1 非局部均值 | 第40页 |
| 4.2.2 引导核 | 第40页 |
| 4.3 算法原理与步骤 | 第40-43页 |
| 4.3.1 基于引导核聚类的预筛选 | 第40-42页 |
| 4.3.2 自适应搜索窗 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于多特征和小波支持向量机的正副组烟叶分类 | 第47-53页 |
| 5.1 引言 | 第47-48页 |
| 5.2 烟叶图像特征提取 | 第48-49页 |
| 5.2.1 颜色特征提取 | 第48页 |
| 5.2.2 纹理特征提取 | 第48-49页 |
| 5.3 烟叶图像分类 | 第49-50页 |
| 5.3.1 小波支持向量机 | 第49页 |
| 5.3.2 算法步骤与流程图 | 第49-50页 |
| 5.4 实验结果与分析 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 基于卷积神经网络和颜色识别的正组烟叶分级 | 第53-59页 |
| 6.1 引言 | 第53-54页 |
| 6.2 基于卷积神经网络的正组烟叶部位识别 | 第54-55页 |
| 6.3 基于HSV空间的正组烟叶颜色识别 | 第55-56页 |
| 6.4 实验结果与分析 | 第56-58页 |
| 6.5 本章小结 | 第58-59页 |
| 第七章 总结和展望 | 第59-61页 |
| 7.1 本文的主要工作 | 第59-60页 |
| 7.2 进一步的研究工作及展望 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 致谢 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69页 |
