面向杂草识别的图像分割方法研究
| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 引言 | 第11-17页 |
| 1.1 研究的目的与意义 | 第11页 |
| 1.2 国内外杂草识别研究现状 | 第11-14页 |
| 1.2.1 国外杂草识别的研究现状 | 第11-12页 |
| 1.2.2 国内杂草识别的研究现状 | 第12-13页 |
| 1.2.3 图像分割研究现状 | 第13-14页 |
| 1.3 技术路线与研究内容 | 第14-16页 |
| 1.3.1 技术路线 | 第14页 |
| 1.3.2 研究内容 | 第14-16页 |
| 1.4 研究创新点 | 第16-17页 |
| 2 传统的图像分割方法理论 | 第17-32页 |
| 2.1 图像预处理 | 第17-22页 |
| 2.1.1 图像灰度化 | 第17-20页 |
| 2.1.2 图像滤波 | 第20-22页 |
| 2.2 图像分割 | 第22-30页 |
| 2.2.1 阈值分割 | 第22-25页 |
| 2.2.2 边缘提取 | 第25-30页 |
| 2.3 本章小结 | 第30-32页 |
| 3 基于图论的边缘提取方法 | 第32-45页 |
| 3.1 基于图论的边缘提取方法思想 | 第32-33页 |
| 3.1.1 图论的概念 | 第32页 |
| 3.1.2 基于图论的边缘提取方法的原理 | 第32-33页 |
| 3.2 基于图论的边缘提取方法的过程 | 第33-37页 |
| 3.2.1 像素间相似性计算阶段 | 第33-34页 |
| 3.2.2 阈值确定阶段 | 第34页 |
| 3.2.3 边缘确定阶段 | 第34-35页 |
| 3.2.4 基于图论的边缘提取方法的算法 | 第35-37页 |
| 3.3 实验结果分析及比较 | 第37-44页 |
| 3.3.1 无噪声实验比较 | 第37-41页 |
| 3.3.2 噪声实验比较 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 杂草识别的实验仿真 | 第45-69页 |
| 4.1 特征提取 | 第45-53页 |
| 4.1.1 颜色特征参数的选取 | 第45-46页 |
| 4.1.2 形状特征参数提取 | 第46-50页 |
| 4.1.3 纹理特征参数提取 | 第50-53页 |
| 4.2 特征参数降维 | 第53-57页 |
| 4.2.1 主成分分析概述 | 第53-54页 |
| 4.2.2 数据降维处理 | 第54-57页 |
| 4.3 杂草识别的分类算法选取 | 第57-59页 |
| 4.3.1 基于局部均值的非参数分类方法 | 第58页 |
| 4.3.2 K-近质心近邻分类方法 | 第58-59页 |
| 4.4 杂草识别实验 | 第59-67页 |
| 4.4.1 LM分类算法的杂草识别实验 | 第61-63页 |
| 4.4.2 KNCN算法的杂草识别实验 | 第63-64页 |
| 4.4.3 杂草识别实验比较 | 第64-67页 |
| 4.5 本章小节 | 第67-69页 |
| 5 结论与展望 | 第69-71页 |
| 5.1 结论 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的学术论文 | 第76页 |
