| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状及存在问题 | 第12-16页 |
| 1.2.1 计算机图像识别法 | 第13-15页 |
| 1.2.2 光谱分析法 | 第15-16页 |
| 1.2.3 存在的问题 | 第16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 研究方法和技术路线 | 第17页 |
| 1.5 研究整体方案 | 第17-19页 |
| 1.6 论文组织结构 | 第19-21页 |
| 第2章 图像获取 | 第21-26页 |
| 2.1 绿色植物的光谱特性 | 第21-22页 |
| 2.2 田间图像获取装置 | 第22-23页 |
| 2.3 图像获取方法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 植物图像分割处理 | 第26-35页 |
| 3.1 背景分割 | 第26-31页 |
| 3.1.1 R、G、IR 数值组合 | 第26页 |
| 3.1.2 分割方法及结果分析 | 第26-31页 |
| 3.2 植物叶片的分割 | 第31-34页 |
| 3.2.1 数学形态学处理 | 第31-32页 |
| 3.2.2 粘连和交叠叶片的分割 | 第32-34页 |
| 3.3 区域标记和轮廓提取 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 植物特征提取 | 第35-51页 |
| 4.1 形状特征提取 | 第35-39页 |
| 4.2 纹理特征提取 | 第39-44页 |
| 4.3 分形维数提取 | 第44-47页 |
| 4.4 特征降维 | 第47-49页 |
| 4.4.1 PCA 原理 | 第47页 |
| 4.4.2 特征降维 | 第47-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 基于 Soft set 理论的玉米和杂草识别方法研究 | 第51-63页 |
| 5.1 模式识别方法 | 第51-52页 |
| 5.2 朴素贝叶斯理论 | 第52-53页 |
| 5.3 BP 网络 | 第53-54页 |
| 5.4 支持向量机理论 | 第54-56页 |
| 5.5 Soft set 理论 | 第56-59页 |
| 5.5.1 Soft set 概述 | 第56-57页 |
| 5.5.2 软结合对照表的构造 | 第57-58页 |
| 5.5.3 基于软集合理论的杂草识别模型 | 第58-59页 |
| 5.6 实验结果与分析 | 第59-61页 |
| 5.6.1 各算法参数设置 | 第59页 |
| 5.6.2 识别试验结果与分析 | 第59-61页 |
| 5.7 本章小结 | 第61-63页 |
| 第6章 结论与展望 | 第63-65页 |
| 6.1 结论 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 作者介绍 | 第70页 |