基于叶片图像的植物识别方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 国内外研究现状 | 第10-12页 |
| 1.2.2 问题总结 | 第12-13页 |
| 1.3 本文的主要内容及章节安排 | 第13-15页 |
| 2 植物叶片图像预处理 | 第15-33页 |
| 2.1 灰度化处理 | 第17页 |
| 2.2 叶片图像分割 | 第17-25页 |
| 2.2.1 图像分割概述 | 第17-18页 |
| 2.2.2 阈值分割算法 | 第18-21页 |
| 2.2.3 交互式图像分割 | 第21-25页 |
| 2.3 叶片图像的形态学处理 | 第25-27页 |
| 2.4 叶片轮廓提取及叶片位置归一化 | 第27-33页 |
| 2.4.1 叶片轮廓提取 | 第27-28页 |
| 2.4.2 叶片位置归一化 | 第28-33页 |
| 3 植物叶片特征提取 | 第33-43页 |
| 3.1 叶片形状特征 | 第33-39页 |
| 3.1.1 叶片形状参数的计算 | 第35-38页 |
| 3.1.2 不变矩 | 第38-39页 |
| 3.2 叶片纹理特征 | 第39-43页 |
| 3.2.1 灰度共生矩阵 | 第40-41页 |
| 3.2.2 纹理特征向量的计算 | 第41-43页 |
| 4 集成学习算法基本理论 | 第43-51页 |
| 4.1 基本原理 | 第43-47页 |
| 4.1.1 集成学习发展概述及定义 | 第44页 |
| 4.1.2 集成分类器的构造方法 | 第44-47页 |
| 4.1.3 Bagging | 第47页 |
| 4.2 随机森林 | 第47-51页 |
| 4.2.1 决策树 | 第48-49页 |
| 4.2.2 随机森林原理 | 第49-51页 |
| 5 神经网络集成 | 第51-61页 |
| 5.1 BP神经网络 | 第51-55页 |
| 5.1.1 BP神经网络的原理 | 第52-55页 |
| 5.2 多类别分类器 | 第55-56页 |
| 5.3 神经网络集成 | 第56-61页 |
| 5.3.1 基分类器的构建 | 第57-59页 |
| 5.3.2 集成决策 | 第59-61页 |
| 6 实验分析及系统设计 | 第61-71页 |
| 6.1 实验 | 第61-65页 |
| 6.1.1 区域几何特征提取方法的有效性实验 | 第61-62页 |
| 6.1.2 纹理特征提取方法的有效性实验 | 第62-63页 |
| 6.1.3 组合特征有效性实验 | 第63-64页 |
| 6.1.4 神经网络集成分类器性能试验 | 第64-65页 |
| 6.2 植物叶片识别系统设计 | 第65-71页 |
| 6.2.1 系统简介 | 第65-71页 |
| 7 总结与展望 | 第71-73页 |
| 7.1 总结 | 第71页 |
| 7.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 作者简历 | 第77-79页 |
| 学位论文数据集 | 第79页 |
