| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 计算机视觉概述 | 第15-16页 |
| 1.3 国内外发展现状 | 第16-19页 |
| 1.3.1 国外研究现状 | 第16-18页 |
| 1.3.2 国内研究现状 | 第18-19页 |
| 1.4 本文主要工作及内容结构安排 | 第19-21页 |
| 第2章 果蔬图像预处理 | 第21-27页 |
| 2.1 果蔬图像的获取 | 第21-23页 |
| 2.2 果蔬图像的预处理 | 第23-26页 |
| 2.2.1 图像去噪 | 第23-24页 |
| 2.2.2 背景分割 | 第24页 |
| 2.2.3 图像形态学处理 | 第24-25页 |
| 2.2.4 果蔬图像尺寸归一化 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 果蔬图像特征提取 | 第27-38页 |
| 3.1 Gabor小波特征提取 | 第27-31页 |
| 3.1.1 Gaor小波理论背景 | 第27-28页 |
| 3.1.2 Gabor小波变换原理 | 第28-29页 |
| 3.1.3 Gabor滤波器组的参数及其意义 | 第29-31页 |
| 3.2 2D-PCA方法 | 第31-37页 |
| 3.2.1 二维主成分分析 | 第32-33页 |
| 3.2.2 二维PCA的两点改进 | 第33-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 基于稀疏表示的果蔬识别 | 第38-50页 |
| 4.1 Compressed sensing理论背景 | 第38-39页 |
| 4.2 Compressed sensing理论框架 | 第39-45页 |
| 4.2.1 Compressed sensing基本概念 | 第39-40页 |
| 4.2.2 信号的稀疏表示 | 第40-41页 |
| 4.2.3 观测矩阵 | 第41-43页 |
| 4.2.4 信号的重构算法 | 第43-45页 |
| 4.3 基于稀疏表示的分类方法介绍 | 第45-47页 |
| 4.4 稀疏解求解方法 | 第47-49页 |
| 4.4.1 梯度投影法(GPSR) | 第47-48页 |
| 4.4.2 截断牛顿内点法(TNIPM) | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于深度神经网络与GMM融合的果蔬识别 | 第50-60页 |
| 5.1 深度学习神经网络基本理论 | 第50-56页 |
| 5.1.1 深度神经网络的训练过程 | 第50-51页 |
| 5.1.2 深度学习常用模型结构 | 第51-56页 |
| 5.2 基于深度神经网络与GMM融合的果蔬识别 | 第56-59页 |
| 5.2.1 softmax分类器 | 第56页 |
| 5.2.2 基于广义线性判别优化算法的深度神经网络 | 第56-58页 |
| 5.2.3 基于深度神经网络与GMM融合的果蔬识别 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 实验结果分析与总结 | 第60-74页 |
| 6.1 实验环境介绍 | 第60-63页 |
| 6.1.1 实验数据与来源 | 第60-63页 |
| 6.2 实验结果与分析 | 第63-73页 |
| 6.2.1 不同训练样本数及特征维数比较 | 第63-65页 |
| 6.2.2 Gabor内核窗大小对实验结果的影响 | 第65-66页 |
| 6.2.3 不同特征提取及降维方法的比较 | 第66-71页 |
| 6.2.4 不同分类器比较实验 | 第71-72页 |
| 6.2.5 其他算法比较实验 | 第72-73页 |
| 6.3 本章小结 | 第73-74页 |
| 第7章 总结与展望 | 第74-76页 |
| 7.1 全文总结 | 第74-75页 |
| 7.2 研究展望 | 第75-76页 |
| 参考文献 | 第76-79页 |
