基于数字图像的中药植物叶片分类方法研究
| 中文摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 英文缩略词表 | 第10-11页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 第12-15页 |
| 1.2.1 植物叶片特征提取研究 | 第13-14页 |
| 1.2.2 植物叶片分类方法研究 | 第14-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 本文章节安排 | 第16-18页 |
| 2 中药植物叶片图像预处理技术介绍 | 第18-28页 |
| 2.1 常见彩色模型 | 第18-20页 |
| 2.1.1 RGB彩色模型 | 第18-19页 |
| 2.1.2 HSI彩色模型 | 第19-20页 |
| 2.2 彩色图像平滑和锐化 | 第20-23页 |
| 2.2.1 空间滤波原理 | 第20-22页 |
| 2.2.2 彩色图像平滑 | 第22页 |
| 2.2.3 彩色图像锐化 | 第22-23页 |
| 2.3 叶片图像边缘提取 | 第23-27页 |
| 2.3.1 叶片图像灰度化 | 第23-24页 |
| 2.3.2 叶片图像二值化 | 第24页 |
| 2.3.3 叶片图像形态学处理 | 第24-26页 |
| 2.3.4 叶片图像轮廓提取 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 中药植物叶片图像特征提取方法介绍 | 第28-40页 |
| 3.1 叶片图像形状特征提取 | 第28-32页 |
| 3.1.1 几何特征计算方法介绍 | 第29-31页 |
| 3.1.2 不变矩特征计算方法介绍 | 第31-32页 |
| 3.2 叶片图像颜色特征提取 | 第32-35页 |
| 3.2.1 颜色直方图法 | 第32-33页 |
| 3.2.2 颜色参量统计特征法 | 第33-34页 |
| 3.2.3 小波变换的颜色特征法 | 第34-35页 |
| 3.3 叶片图像纹理特征提取 | 第35-39页 |
| 3.3.1 一阶直方图统计法 | 第36-37页 |
| 3.3.2 灰度依赖的共生矩阵法 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 中药植物叶片图像分类方法介绍 | 第40-59页 |
| 4.1 BP神经网络原理介绍 | 第40-46页 |
| 4.1.1 神经元介绍 | 第41-43页 |
| 4.1.2 BP神经网络算法 | 第43-45页 |
| 4.1.3 BP神经网络算法的改进 | 第45-46页 |
| 4.2 PNN算法 | 第46-50页 |
| 4.2.1 PNN模型结构 | 第46-47页 |
| 4.2.2 PNN基础理论推导 | 第47-48页 |
| 4.2.3 PNN基本学习算法 | 第48-50页 |
| 4.3 KNN算法 | 第50-52页 |
| 4.3.1 最近邻法 | 第50-51页 |
| 4.3.2 K-近邻算法原理 | 第51页 |
| 4.3.3 K-NN法实现步骤 | 第51-52页 |
| 4.4 SVM算法 | 第52-58页 |
| 4.4.1 线性分类器 | 第53-56页 |
| 4.4.2 核函数 | 第56-57页 |
| 4.4.3 SVM多分类方法 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 实验与结果分析 | 第59-69页 |
| 5.1 实验流程 | 第59页 |
| 5.2 图像采集及预处理 | 第59-61页 |
| 5.3 叶片图像特征提取 | 第61-62页 |
| 5.3.1 形状特征提取 | 第61页 |
| 5.3.2 纹理特征提取 | 第61-62页 |
| 5.4 叶片图像分类 | 第62-67页 |
| 5.4.1 BP神经网络分类器 | 第63-64页 |
| 5.4.2 PNN分类器 | 第64-65页 |
| 5.4.3 KNN分类器 | 第65-66页 |
| 5.4.4 SVM分类器 | 第66-67页 |
| 5.5 实验结果对比 | 第67-68页 |
| 5.6 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-72页 |
| 6.1 工作总结 | 第69-70页 |
| 6.2 中药植物叶片图像分类研究展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 综述 | 第78-86页 |
| 参考文献 | 第83-86页 |
| 致谢 | 第86-87页 |
| 个人简介 | 第87页 |
| 攻读硕士期间发表论文情况 | 第87页 |
