| 本论文受以下项目资助 | 第1-6页 |
| 致谢 | 第6-8页 |
| 摘要 | 第8-10页 |
| Abstract | 第10-13页 |
| 目录 | 第13-18页 |
| 图目录 | 第18-20页 |
| 表目录 | 第20-21页 |
| 缩略词表 | 第21-23页 |
| 第一章 绪论 | 第23-35页 |
| 提要 | 第23页 |
| ·课题研究的背景和意义 | 第23-24页 |
| ·研究现状及存在的问题 | 第24-32页 |
| ·植物病害信息快速检测技术研究现状及存在的问题 | 第27-30页 |
| ·植物虫害信息快速检测技术研究现状及存在的问题 | 第30-31页 |
| ·信息技术在油菜种植中的应用 | 第31-32页 |
| ·信息技术在油菜病虫害监测领域存在的问题 | 第32页 |
| ·论文研究的主要内容 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第二章 材料与方法 | 第35-50页 |
| 提要 | 第35页 |
| ·实验设备 | 第35-47页 |
| ·高光谱成像系统硬件平台 | 第35-41页 |
| ·光源 | 第35-37页 |
| ·分光模组 | 第37-39页 |
| ·面阵CCD探测器 | 第39-40页 |
| ·高光谱成像系统硬件平台配套设备 | 第40-41页 |
| ·高光谱成像系统软件平台 | 第41-43页 |
| ·数据处理软件 | 第43-47页 |
| ·ENVI (The Environment for Visualizing Images) | 第44页 |
| ·MATLAB | 第44-46页 |
| ·Origin | 第46-47页 |
| ·实验对象制备 | 第47-49页 |
| ·油菜植株准备 | 第47页 |
| ·油菜菌核病病原菌 | 第47-48页 |
| ·油菜菜青虫危害 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 高光谱图像数据分析的基础方法研究 | 第50-63页 |
| 提要 | 第50页 |
| ·引言 | 第50页 |
| ·光谱维处理技术 | 第50-56页 |
| ·光谱数据降维方法 | 第50-52页 |
| ·特征向量提取方法 | 第50-51页 |
| ·特征波长提取方法 | 第51-52页 |
| ·数学建模方法 | 第52-53页 |
| ·神经网络 | 第53-56页 |
| ·图像处理技术 | 第56-62页 |
| ·图像增强算法 | 第56-59页 |
| ·灰度变换 | 第56-57页 |
| ·直方图法 | 第57页 |
| ·图像平滑 | 第57-59页 |
| ·图像边缘提取算法 | 第59-62页 |
| ·边缘算子法 | 第59-61页 |
| ·小波变换多尺度分析法 | 第61页 |
| ·小波包分解法(Wavelet packet decomposition,WPD) | 第61页 |
| ·数学形态学方法 | 第61-62页 |
| ·分形理论法 | 第62页 |
| ·神经网络法 | 第62页 |
| ·本章小结 | 第62-63页 |
| 第四章 基于高光谱波段优选算法的油菜菌核病识别研究 | 第63-83页 |
| 提要 | 第63页 |
| ·引言 | 第63页 |
| ·实验仪器和样本 | 第63-64页 |
| ·实验步骤与方法 | 第64-75页 |
| ·光谱维平滑 | 第64页 |
| ·高光谱数据降维 | 第64-67页 |
| ·主成分分析 | 第64-65页 |
| ·基于类间不稳定指数的高光谱波段优选算法研究 | 第65-67页 |
| ·MIV变量筛选 | 第67页 |
| ·智能计算模型研究 | 第67-75页 |
| ·输入变量归一化处理 | 第67-68页 |
| ·群体智能优化神经网络 | 第68-74页 |
| ·蚁群神经网络 | 第70-72页 |
| ·粒子群神经网络 | 第72-74页 |
| ·模型性能检测指标 | 第74-75页 |
| ·实验结果与分析 | 第75-82页 |
| ·高光谱数据降维 | 第75-80页 |
| ·基于群体智能优化神经网络的油菜菌核病鉴别 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 第五章 油菜叶片菜青虫孔自动识别和重构方法研究 | 第83-102页 |
| 提要 | 第83页 |
| ·引言 | 第83-84页 |
| ·实验仪器和样本预处理 | 第84-85页 |
| ·实验步骤与方法 | 第85-92页 |
| ·虫孔类型及边缘类型定义 | 第85-87页 |
| ·不闭合虫孔定位算法 | 第87-89页 |
| ·不闭合虫孔重构算法 | 第89-92页 |
| ·建模与预测数据集 | 第89-90页 |
| ·遗传小波神经网络重构算法(G-WNNRA) | 第90-92页 |
| ·实验结果与分析 | 第92-101页 |
| ·闭合虫孔填充 | 第92-93页 |
| ·边缘提取 | 第93-95页 |
| ·不闭合虫孔处理 | 第95-100页 |
| ·咬噬边缘定位 | 第95-97页 |
| ·咬噬边缘重构 | 第97-99页 |
| ·重构算法性能分析 | 第99-100页 |
| ·结果分析与讨论 | 第100-101页 |
| ·本章小结 | 第101-102页 |
| 第六章 受菜青虫轻度危害的油菜叶片叶脉识别算法研究 | 第102-122页 |
| 提要 | 第102页 |
| ·引言 | 第102页 |
| ·实验仪器和样本 | 第102-103页 |
| ·实验步骤与方法 | 第103-116页 |
| ·背景分离 | 第103页 |
| ·光谱维平滑滤波 | 第103-106页 |
| ·光谱曲线分析 | 第106-107页 |
| ·基于导数光谱法的轻度虫害油菜叶片的叶脉识别算法 | 第107-113页 |
| ·一阶导数光谱 | 第107-110页 |
| ·边缘检测算子 | 第110页 |
| ·线性空间滤波 | 第110-111页 |
| ·数学形态学处理 | 第111页 |
| ·基于色调信息的叶脉提取 | 第111-112页 |
| ·基于导数光谱法的轻度虫害油莱叶片的叶脉识别算法流程 | 第112-113页 |
| ·基于主成分分析的轻度虫害油菜叶片的叶脉识别算法 | 第113-116页 |
| ·高光谱图像的主成分分析 | 第113页 |
| ·彩色边缘检测 | 第113-114页 |
| ·图像连通分量 | 第114-115页 |
| ·基于主成分分析的轻度虫害油菜叶片的叶脉识别算法流程 | 第115-116页 |
| ·实验结果与分析 | 第116-121页 |
| ·基于导数光谱法的轻度虫害油菜叶片的叶脉识别 | 第116-118页 |
| ·基于主成分分析的轻度虫害油菜叶片的叶脉识别算法 | 第118-119页 |
| ·结果分析与讨论 | 第119-121页 |
| ·本章小结 | 第121-122页 |
| 第七章 总结与展望 | 第122-126页 |
| 提要 | 第122页 |
| ·主要研究结论 | 第122-125页 |
| ·主要创新点 | 第125页 |
| ·进一步研究展望 | 第125-126页 |
| 参考文献 | 第126-134页 |
| 附录 | 第134-140页 |
| 作者筒介 | 第140-141页 |
