| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 选题背景和研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 显著性检测研究现状 | 第12-14页 |
| 1.2.2 机器视觉应用于农作物病害研究现状 | 第14-15页 |
| 1.3 研究内容和技术路线 | 第15-16页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 技术路线 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 显著性检测基本原理 | 第18-22页 |
| 2.1 概述 | 第18-19页 |
| 2.2 两种视觉注意模型 | 第19-21页 |
| 2.3 颜色空间 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于先验信息和双权重的显著性检测算法 | 第22-32页 |
| 3.1 CA显著性检测算法 | 第22页 |
| 3.2 PIDWSD显著性检测算法框架 | 第22-26页 |
| 3.2.1 超像素预处理 | 第22-23页 |
| 3.2.2 距离因子 | 第23页 |
| 3.2.3 高斯权重 | 第23-24页 |
| 3.2.4 先验信息 | 第24-25页 |
| 3.2.5 平滑策略 | 第25-26页 |
| 3.2.6 PIDWSD算法的基本步骤 | 第26页 |
| 3.3 实验结果与分析 | 第26-29页 |
| 3.3.1 超像素个数选择 | 第26-27页 |
| 3.3.2 显著性检测效果图 | 第27-28页 |
| 3.3.3 显著性检测准确率 | 第28-29页 |
| 3.3.4 算法的运行时间 | 第29页 |
| 3.4 本章小结 | 第29-32页 |
| 第四章 融合流形排序和能量方程的显著性检测算法 | 第32-44页 |
| 4.1 MREESD显著性检测算法框架 | 第32-36页 |
| 4.1.1 超像素分割方法 | 第32页 |
| 4.1.2 显著性扩散中的权重度量 | 第32-33页 |
| 4.1.3 流形排序 | 第33-34页 |
| 4.1.4 显著种子的选择 | 第34页 |
| 4.1.5 能量方程 | 第34-35页 |
| 4.1.6 MREESD算法的基本步骤 | 第35-36页 |
| 4.2 实验结果与分析 | 第36-43页 |
| 4.2.1 附加因素性能分析 | 第36-37页 |
| 4.2.2 显著性检测效果 | 第37-39页 |
| 4.2.3 分割准确率 | 第39-41页 |
| 4.2.4 算法的运行时间 | 第41页 |
| 4.2.5 MREESD算法与PIDWSD算法性能对比 | 第41-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 基于显著性检测的黄瓜叶部病害图像处理 | 第44-54页 |
| 5.1 基于显著性检测的黄瓜叶部病害图像处理算法流程 | 第44-45页 |
| 5.2 病害叶片提取 | 第45-46页 |
| 5.3 病斑分割 | 第46页 |
| 5.4 实验结果与分析 | 第46-50页 |
| 5.4.1 叶片提取实验 | 第46-47页 |
| 5.4.2 病害图像分割实验 | 第47-48页 |
| 5.4.3 分割结果误差分析 | 第48-49页 |
| 5.4.4 算法的运行时间 | 第49-50页 |
| 5.5 黄瓜叶部病斑特征提取 | 第50页 |
| 5.6 黄瓜叶部病害识别 | 第50-52页 |
| 5.6.1 BP神经网络 | 第51-52页 |
| 5.7 本章小结 | 第52-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文主要工作及创新点 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-64页 |
| 攻读硕士学位期间发表的论文及学术成果 | 第64页 |