| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究的目的和意义 | 第9-10页 |
| 1.2 图像特征提取与分类国内外研究现状 | 第10-13页 |
| 1.2.1 水果图像分类研究现状 | 第10-11页 |
| 1.2.2 图像稀疏表示研究现状 | 第11-12页 |
| 1.2.3 卷积神经网络的图像特征学习研究现状 | 第12-13页 |
| 1.3 本课题研究内容和目标 | 第13-14页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 研究目标 | 第13-14页 |
| 1.4 论文结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 基于稀疏编码的空间金字塔匹配的水果分类算法 | 第15-35页 |
| 2.1 水果图像SIFT特征提取 | 第15-22页 |
| 2.2 图像特征的稀疏表示与空间金字塔匹配原理 | 第22-26页 |
| 2.2.1 图像稀疏表示 | 第22-24页 |
| 2.2.2 空间金字塔（SPM）原理 | 第24-26页 |
| 2.3 水果图像的稀疏编码空间金字塔匹配特征表示 | 第26-29页 |
| 2.4 SVM分类器 | 第29-31页 |
| 2.5 基于ScSPM算法水果分类实验结果 | 第31-33页 |
| 2.5.1 实验结果 | 第31-32页 |
| 2.5.2 实验结果分析 | 第32-33页 |
| 2.6 ScSPM算法分类与基于颜色直方图法分类比较 | 第33-34页 |
| 2.7 本章小结 | 第34-35页 |
| 3 基于局部约束线性编码（LLC）的水果分类算法 | 第35-39页 |
| 3.1 局部约束线性编码（LLC）的概念和算法 | 第35-36页 |
| 3.1.1 LLC的概念 | 第35页 |
| 3.1.2 LLC算法 | 第35-36页 |
| 3.1.3 局部约束线性编码（LLC）的优点 | 第36页 |
| 3.2 局部约束线性编码（LLC）的SPM特征表示 | 第36-37页 |
| 3.3 基于LLC算法水果分类实验结果 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于卷积神经网的水果分类方法 | 第39-52页 |
| 4.1 深度学习的原理 | 第39-47页 |
| 4.1.1 深度学习的概念 | 第39-40页 |
| 4.1.2 深度学习结构 | 第40页 |
| 4.1.3 卷积神经网络CNN原理 | 第40-43页 |
| 4.1.4 卷积神经网络特征提取实现过程 | 第43-47页 |
| 4.2 Caffe平台及框架搭建 | 第47-49页 |
| 4.2.1 Caffe平台简介 | 第47-48页 |
| 4.2.2 Caffe框架的搭建 | 第48页 |
| 4.2.3 基于caffe平台抽取CNN网络特征的实现过程 | 第48-49页 |
| 4.3 Softmax分类器 | 第49-50页 |
| 4.4 基于深度学习算法水果分类实验结果 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 水果图像分类系统的开发与实现 | 第52-61页 |
| 5.1 水果图像数据集建立 | 第52-54页 |
| 5.1.1 水果图像的预处理 | 第52-54页 |
| 5.1.2 数据集建立 | 第54页 |
| 5.2 水果图像分类识别系统的开发 | 第54-58页 |
| 5.3 ScSPM、LLC以及CNN三种算法实验结果对比 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61页 |
| 6.2 未来展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
