| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-16页 |
| ·图像识别的研究背景和意义 | 第11-12页 |
| ·嵌入式系统发展及其在图像采集系统中的应用 | 第12-14页 |
| ·嵌入式的发展 | 第12-13页 |
| ·嵌入式在精准农业上的应用 | 第13-14页 |
| ·面临的问题 | 第14页 |
| ·研究目的和主要工作 | 第14-15页 |
| ·研究目的和主要工作 | 第14-15页 |
| ·论文章节安排 | 第15页 |
| ·本章小结 | 第15-16页 |
| 2 图像识别中图像的前期处理和常用图像特征的研究 | 第16-25页 |
| ·图像的预处理 | 第16-17页 |
| ·线性滤波消除噪声及其效果分析 | 第16-17页 |
| ·图像特征的特点 | 第17-19页 |
| ·颜色特征 | 第17-18页 |
| ·纹理特征 | 第18-19页 |
| ·形状特征 | 第19页 |
| ·利用颜色特征分割彩色图像算法 | 第19-21页 |
| ·彩色空间介绍 | 第19-21页 |
| ·分割图像的后处理 | 第21-23页 |
| ·数学形态学算法 | 第21-23页 |
| ·形态滤波效果 | 第23页 |
| ·本章小结 | 第23-25页 |
| 3 图像模式识别算法 | 第25-36页 |
| ·统计方法 | 第25-32页 |
| ·支持向量机方法 | 第26-30页 |
| ·两类支持向量机分类器的实现 | 第30-32页 |
| ·构造方法DP 匹配 | 第32页 |
| ·基于神经元网络的识别算法 | 第32-35页 |
| ·SOFM 神经网络概述 | 第32-33页 |
| ·SOFM 神经网络结构介绍 | 第33-34页 |
| ·SOFM 神经网络学习算法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 4 构造的自适应神经网络算法在杂草图像识别中的实现 | 第36-44页 |
| ·SOFM 代码中使用到的相关函数 | 第36-38页 |
| ·G-SOFM 算法的实现 | 第38-43页 |
| ·G-SOFM 算法 | 第38-39页 |
| ·G-SOFM 算法分类步骤如下 | 第39-40页 |
| ·K-SOFM 算法的实现 | 第40页 |
| ·不同参数的效果分析 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 5 嵌入式平台的介绍及算法在平台上的测试 | 第44-53页 |
| ·ARM 简介 | 第44-45页 |
| ·基于Windows CE 系统的图像采集结构 | 第45-47页 |
| ·Windows CE 的移植 | 第45-46页 |
| ·Boot Loader 的设计 | 第46-47页 |
| ·系统硬件设备驱动程序开发 | 第47-50页 |
| ·Windows CE 的驱动模型 | 第47-48页 |
| ·触摸屏驱动程序的开发 | 第48-49页 |
| ·USB 驱动程序的开发 | 第49-50页 |
| ·图像采集用户测试界面应用程序设计及分析 | 第50-52页 |
| ·测试界面程序的实现 | 第50页 |
| ·算法在硬件平台实现 | 第50-51页 |
| ·调试结果分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简历 | 第58-60页 |
| 学位论文数据集 | 第60-61页 |