考虑复杂背景的植物识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究难点 | 第10-11页 |
| 1.4 本文主要内容及章节安排 | 第11-13页 |
| 第2章 植物叶片图像分割算法比较与分析 | 第13-23页 |
| 2.1 图像分割算法 | 第13页 |
| 2.2 阈值分割 | 第13-15页 |
| 2.2.1 阈值分割原理 | 第13页 |
| 2.2.2 全局阈值分割 | 第13-14页 |
| 2.2.3 大津法阈值分割 | 第14-15页 |
| 2.3 分水岭分割算法 | 第15-16页 |
| 2.4 标记分水岭分割算法 | 第16-21页 |
| 2.4.1 前景标记和背景标记 | 第17页 |
| 2.4.2 梯度幅值图像 | 第17-20页 |
| 2.4.3 强制最小值技术 | 第20-21页 |
| 2.5 分割效果对比分析 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 降维算法与多特征融合的叶片识别方法 | 第23-33页 |
| 3.1 HU氏不变矩 | 第23-24页 |
| 3.2 纹理特征 | 第24-26页 |
| 3.2.1 局部二值模式 | 第24-25页 |
| 3.2.2 分块局部二值模式 | 第25-26页 |
| 3.3 特征降维算法 | 第26-29页 |
| 3.3.1 主成分分析(PCA) | 第26-27页 |
| 3.3.2 局部线性嵌入 | 第27-29页 |
| 3.4 基于SVM的叶片分类方法 | 第29-32页 |
| 3.4.1 线性可分 | 第30-31页 |
| 3.4.2 线性不可分 | 第31-32页 |
| 3.4.3 SVM用于多分类问题 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 复杂背景下叶片分类识别方法设计与实现 | 第33-44页 |
| 4.1 基于色彩空间与形态学变换的植物叶片分割 | 第33-39页 |
| 4.1.1 色彩空间 | 第33-37页 |
| 4.1.2 形态学开闭重建 | 第37-39页 |
| 4.2 植物叶片特征提取 | 第39-40页 |
| 4.2.1 叶片形状特征 | 第39-40页 |
| 4.2.2 叶片纹理特征 | 第40页 |
| 4.3 特征降维 | 第40-41页 |
| 4.4 植物叶片分类识别 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 附录 | 第50-51页 |
