草本植物图像特征提取与分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题的背景和意义 | 第8页 |
| 1.2 植物叶片的特征 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-10页 |
| 1.4 本文的主要工作及章节安排 | 第10-12页 |
| 2 草本植物叶片图像的预处理 | 第12-24页 |
| 2.1 草本植物种类识别的流程图 | 第12页 |
| 2.2 叶片图像的获取 | 第12-13页 |
| 2.3 图像的预处理 | 第13-23页 |
| 2.3.1 叶片图像的灰度化 | 第13-15页 |
| 2.3.2 形态学处理 | 第15-16页 |
| 2.3.3 噪声去除 | 第16-17页 |
| 2.3.4 图像分割 | 第17-22页 |
| 2.3.5 轮廓提取 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 叶片图像的特征提取 | 第24-42页 |
| 3.1 颜色特征提取 | 第24-28页 |
| 3.1.1 颜色模型的选取 | 第24-26页 |
| 3.1.2 颜色特征介绍 | 第26-27页 |
| 3.1.3 提取叶片的颜色特征 | 第27-28页 |
| 3.2 形状特征提取 | 第28-39页 |
| 3.2.1 检测叶片轮廓的拐角点 | 第28-30页 |
| 3.2.2 判别叶片轮廓拐角点的凹凸性 | 第30-32页 |
| 3.2.3 叶裂点和锯齿点判别 | 第32-33页 |
| 3.2.4 切割叶裂和锯齿 | 第33-36页 |
| 3.2.5 锯齿、叶裂的周长和面积 | 第36-39页 |
| 3.3 纹理特征提取 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 草本植物分类器设计 | 第42-58页 |
| 4.1 样本数据的获取 | 第42-44页 |
| 4.2 基于人工神经网络的分类器的设计 | 第44-48页 |
| 4.2.1 BP神经网络的设计 | 第44-46页 |
| 4.2.2 训练样本 | 第46-47页 |
| 4.2.3 测试样本和结果分析 | 第47-48页 |
| 4.3 基于支持向量机(SVM)的分类器设计 | 第48-56页 |
| 4.3.1 PCA降维 | 第49-51页 |
| 4.3.2 核函数的选择 | 第51-53页 |
| 4.3.3 基于SVM的草本植物识别 | 第53-56页 |
| 4.4 神经网络和支持向量机识别结果对比和分析 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63-64页 |
