基于植物叶形状和叶脉的植物叶自动分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究目的及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.3 论文研究的内容和结构 | 第14-15页 |
| 第二章 叶片形状特征和纹理特征的自动提取 | 第15-34页 |
| 2.1 叶片图像的获取方法 | 第15-16页 |
| 2.2 对叶片图像的预处理 | 第16-19页 |
| 2.2.1 叶图像灰度化 | 第16-17页 |
| 2.2.2 叶图像二值化 | 第17页 |
| 2.2.3 形态学处理 | 第17-19页 |
| 2.3 对叶片轮廓特征的自动提取 | 第19-22页 |
| 2.3.1 最小外接矩形的提取 | 第19页 |
| 2.3.2 形状参数 | 第19-21页 |
| 2.3.3 几何不变矩 | 第21-22页 |
| 2.4 对叶片纹理特征的自动提取 | 第22-24页 |
| 2.4.1 叶片的灰度共生矩阵表示 | 第22-23页 |
| 2.4.2 叶片的纹理特征 | 第23-24页 |
| 2.5 实验结果与形状特征的强弱分析 | 第24-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 叶片中的叶脉特征自动提取 | 第34-43页 |
| 3.1 自动提取叶片中的叶脉 | 第34-37页 |
| 3.1.1 改进Sobel算子检测边缘特征 | 第34-35页 |
| 3.1.2 8方向叶脉的图像融合 | 第35-37页 |
| 3.2 对融合叶脉图像做预处理 | 第37-39页 |
| 3.2.1 对叶脉的滤波去噪 | 第37-39页 |
| 3.2.2 对叶脉的形态学处理 | 第39页 |
| 3.3 叶脉特征的自动提取 | 第39-40页 |
| 3.4 实验结果与叶脉特征强弱分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于叶形状和叶脉的植物叶自动分类 | 第43-77页 |
| 4.1 自动分类器的选择 | 第43-44页 |
| 4.2 支持向量机的分类原理 | 第44-49页 |
| 4.2.1 应用SVM对线性数据的自动分类 | 第44-47页 |
| 4.2.2 应用SVM对非线性数据的自动分类 | 第47-49页 |
| 4.3 自动分类系统的分类规划流程 | 第49-50页 |
| 4.4 实验结果及其分析 | 第50-76页 |
| 4.4.1 初次分类实验结果与分析 | 第50-62页 |
| 4.4.2 使用叶脉特征再次分类的结果与分析 | 第62-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 总结 | 第77页 |
| 5.2 展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 附录 | 第82-90页 |
| 一、实验叶片库 | 第82-83页 |
| 二、完全正确分类的叶片种类 | 第83-84页 |
| 三、目标叶片与误分为叶片的代表叶片 | 第84-90页 |
| 致谢 | 第90-91页 |
| 攻读学位期间的研究成果 | 第91页 |
