| 摘要 | 第6-7页 |
| 1 绪论 | 第7-10页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 国外杂草识别研究现状 | 第7-8页 |
| 1.2.2 国内杂草识别研究现状 | 第8-9页 |
| 1.3 主要研究内容 | 第9-10页 |
| 2 Android平台及图像识别的理论基础 | 第10-19页 |
| 2.1 Android平台相关概述 | 第10-18页 |
| 2.1.1 Android平台的结构分析 | 第10-12页 |
| 2.1.2 Android平台的优势分析 | 第12-13页 |
| 2.1.3 Android系统组件 | 第13-14页 |
| 2.1.4 Android系统GUI原理 | 第14-18页 |
| 2.2 图像识别技术 | 第18-19页 |
| 3 基于Android平台玉米田间杂草识别系统整体结构设计 | 第19-24页 |
| 3.1 系统设计原则 | 第19-20页 |
| 3.1.1 可靠性 | 第19页 |
| 3.1.2 性价比 | 第19页 |
| 3.1.3 易扩展性和维护性 | 第19-20页 |
| 3.2 系统的总体结构设计 | 第20页 |
| 3.3 硬件系统设计 | 第20-21页 |
| 3.4 软件系统设计 | 第21-24页 |
| 3.4.1 图像预处理 | 第22-23页 |
| 3.4.2 彩图灰度化 | 第23页 |
| 3.4.3 特征提取 | 第23-24页 |
| 4 玉米田间杂草图像预处理算法的设计 | 第24-37页 |
| 4.1 玉米田间杂草图像直方图均衡化 | 第24-25页 |
| 4.2 玉米田间杂草图像滤波处理 | 第25-27页 |
| 4.2.1 邻域平均法滤波处理 | 第26页 |
| 4.2.2 高斯滤波处理 | 第26-27页 |
| 4.2.3 中值滤波处理 | 第27页 |
| 4.3 玉米田间杂草图像阈值分割 | 第27-33页 |
| 4.3.1 直方图双峰法 | 第28页 |
| 4.3.2 最大类间方差法 | 第28-29页 |
| 4.3.3 最大熵阈值分割法 | 第29-30页 |
| 4.3.4 阈值分割结果对比 | 第30-33页 |
| 4.4 玉米田间杂草图像边缘检测 | 第33-34页 |
| 4.5 玉米田间杂草图像形态学处理 | 第34-37页 |
| 4.5.1 膨胀和腐蚀处理 | 第34-35页 |
| 4.5.2 开运算和闭运算 | 第35-37页 |
| 5 玉米田间杂草图像特征的识别和提取 | 第37-50页 |
| 5.1 玉米田间杂草图像特征提取 | 第37-43页 |
| 5.1.1 图像特征选择 | 第37-38页 |
| 5.1.2 形状特征参数设置 | 第38-41页 |
| 5.1.3 纹理特征参数设置 | 第41-43页 |
| 5.2 玉米田间杂草识别算法设计 | 第43-48页 |
| 5.2.1 人工神经网络的概念及组成 | 第43-45页 |
| 5.2.2 人工神经网络常见的学习算法 | 第45-47页 |
| 5.2.3 ANN在杂草识别中的应用 | 第47-48页 |
| 5.3 识别算法与已有算法进行分别对比 | 第48-50页 |
| 6 系统实现与测试 | 第50-64页 |
| 6.1 系统实现的功能描述 | 第50页 |
| 6.2 系统核心功能模块实现 | 第50-56页 |
| 6.2.1 图像采集实现 | 第50-51页 |
| 6.2.2 图像灰度化 | 第51-52页 |
| 6.2.3 图像滤波处理 | 第52-53页 |
| 6.2.4 边缘检测实现 | 第53-54页 |
| 6.2.5 形态学处理 | 第54-55页 |
| 6.2.6 综合比对分析 | 第55-56页 |
| 6.3 系统硬件调试 | 第56-58页 |
| 6.4 软件系统测试 | 第58-64页 |
| 6.4.1 测试概述 | 第58页 |
| 6.4.2 测试用例的设计 | 第58-62页 |
| 6.4.3 测试结果分析 | 第62-64页 |
| 7 结论与展望 | 第64-66页 |
| 参考文献 | 第66-68页 |
| Abstract | 第68页 |
| 致谢 | 第70页 |