| 摘要 | 第4页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 研究进展 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 第二章 试验方法与图像预处理 | 第13-20页 |
| 2.1 试验样品 | 第13页 |
| 2.2 图像采集 | 第13-14页 |
| 2.3 图像预处理方法 | 第14-18页 |
| 2.3.1 图像灰度化 | 第14-15页 |
| 2.3.2 图像二值化 | 第15-17页 |
| 2.3.3 数学形态学处理 | 第17-18页 |
| 2.4 鲜茶叶图像处理步骤 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 特征参数提取及筛选 | 第20-36页 |
| 3.1 颜色特征提取方法 | 第20-22页 |
| 3.1.1 RGB颜色模型 | 第20页 |
| 3.1.2 HSI颜色模型 | 第20-21页 |
| 3.1.3 L~*a~*b~*颜色模型 | 第21-22页 |
| 3.2 形状特征提取方法 | 第22-26页 |
| 3.2.1 重心、面积与周长 | 第22-23页 |
| 3.2.2 最小外接矩形、长轴和短轴 | 第23-24页 |
| 3.2.3 最大内切圆半径 | 第24-26页 |
| 3.3 纹理特征提取方法 | 第26-29页 |
| 3.3.1 灰度共生矩阵 | 第26-28页 |
| 3.3.2 统计矩度量方法 | 第28-29页 |
| 3.4 多重分形特征提取方法 | 第29-32页 |
| 3.4.1 多重分形算法 | 第29-30页 |
| 3.4.2 广义维数谱曲线 | 第30页 |
| 3.4.3 盒子维法 | 第30-31页 |
| 3.4.4 鲜茶叶图像多重分形特征提取 | 第31-32页 |
| 3.5 特征参数分析与筛选 | 第32-34页 |
| 3.5.1 茶树品种间特征参数差异性分析 | 第32-34页 |
| 3.5.2 多轮末尾淘汰法特征筛选 | 第34页 |
| 3.6 本章小结 | 第34-36页 |
| 第四章 分类器构建及结果分析 | 第36-45页 |
| 4.1 分类器方法 | 第36-39页 |
| 4.1.1 支持向量机(Support Vector Machine,SVM) | 第36-37页 |
| 4.1.2 随机森林(Random Forests,RF) | 第37页 |
| 4.1.3 朴素贝叶斯分类器(Navie Bayes Classifier,NBC) | 第37-38页 |
| 4.1.4 Fisher分类器(Fisher Classifier,Fisher) | 第38页 |
| 4.1.5 K近邻法(K-Nearest Neighbor,KNN) | 第38页 |
| 4.1.6 极限学习机(Extreme Learning Machine,ELM) | 第38-39页 |
| 4.2 分类结果比较与分析 | 第39-41页 |
| 4.2.1 识别精度比较与分析 | 第39-40页 |
| 4.2.2 不同类型特征分类比较 | 第40-41页 |
| 4.3 鲜叶与成熟叶识别结果分析 | 第41-42页 |
| 4.4 茶树品种识别应用 | 第42-43页 |
| 4.5 结论 | 第43页 |
| 4.6 本章小节 | 第43-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 全文总结 | 第45页 |
| 5.2 本文主要创新点 | 第45页 |
| 5.3 问题与展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读硕士期间学术成果 | 第53页 |
