林业采摘图像识别算法的研究
| 目录 | 第1-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| ·本文的研究背景和研究意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文仿真实验的软硬件平台 | 第14-15页 |
| ·本文主要内容及创新点 | 第15-17页 |
| ·论文的主要内容 | 第15-16页 |
| ·论文的创新点 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第二章 图像分割的基本理论和应用 | 第18-32页 |
| ·野外油茶果采摘环境以及图像分割技术分析 | 第18-19页 |
| ·灰度阈值图像分割法 | 第19-23页 |
| ·基于遗传算法的色差大津法图像分割 | 第23-27页 |
| ·RGB 图像模型 | 第23-24页 |
| ·HSV 图像模型 | 第24-25页 |
| ·遗传算法优化大津法 | 第25-27页 |
| ·基于SOFM 的神经网络的图像分割 | 第27-31页 |
| ·SOFM 神经网络理论 | 第27-29页 |
| ·SOFM 图像分割实验 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 形态特征参数的提取 | 第32-43页 |
| ·分割图像的后处理 | 第32-37页 |
| ·图像平滑 | 第32-34页 |
| ·中值滤波运算 | 第34页 |
| ·孔洞填充处理 | 第34-37页 |
| ·图像后处理步骤 | 第37-38页 |
| ·图像的几何特征的提取 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 支持向量机的理论和算法 | 第43-55页 |
| ·线性可分支持向量机 | 第44-45页 |
| ·非线性支持向量机 | 第45-46页 |
| ·C-SVM 算法 | 第46-48页 |
| ·支持向量机优化算法 | 第48-54页 |
| ·核函数的定义以及选用 | 第48-50页 |
| ·数据的归一化 | 第50-51页 |
| ·遗传算法优化c，g 参数 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 AIS 的基本理论及改进算法 | 第55-72页 |
| ·人工免疫系统的常用模型与算法 | 第56-63页 |
| ·阴性选择算法 | 第56-58页 |
| ·克隆免疫算法 | 第58-61页 |
| ·免疫遗传算法（IGA） | 第61页 |
| ·人工免疫网络（aiNET）算法 | 第61-63页 |
| ·改进的人工免疫网络算法 | 第63-66页 |
| ·亲和力的重新定义 | 第63-64页 |
| ·小于阈值的抗体死亡设定 | 第64-65页 |
| ·免疫疫苗的注射 | 第65-66页 |
| ·最优记忆网络的提出 | 第66页 |
| ·改进人工免疫网络算法 | 第66-71页 |
| ·改进人工免疫算法的理论 | 第66-68页 |
| ·改进算法的仿真比较 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 SVM/AIS 混合识别算法 | 第72-78页 |
| ·支持向量机多分类器研究 | 第72-73页 |
| ·混合算法的提出条件及其实现 | 第73-77页 |
| ·串联型SVM/AIS 混合算法 | 第74-75页 |
| ·并联型SVM/AIS 混合算法 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 第七章 仿真和实验 | 第78-83页 |
| ·仿真实验的目的和方案 | 第78页 |
| ·SVM 算法对数据的训练实验 | 第78-80页 |
| ·改进人工免疫网络算法聚类实验 | 第80-82页 |
| ·SVM/AIS 混合算法运行效率对比 | 第82页 |
| ·本章小结 | 第82-83页 |
| 第八章 结论和展望 | 第83-86页 |
| ·本文总结 | 第83页 |
| ·未来展望 | 第83-86页 |
| 参考文献 | 第86-90页 |
| 作者在攻读硕士期间发表的文章 | 第90-91页 |
| 致谢 | 第91页 |
