基于稀疏表示的植物叶片分类识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究的背景 | 第9-11页 |
| 1.2 植物叶片分类可行性 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.4 本文的主要研究内容 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 叶片图像预处理 | 第17-26页 |
| 2.1 图像的灰度化 | 第17-18页 |
| 2.2 图像的二值化 | 第18-19页 |
| 2.3 图像滤波 | 第19-24页 |
| 2.3.1 均值滤波 | 第19-20页 |
| 2.3.2 中值滤波 | 第20-22页 |
| 2.3.3 形态学处理 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 叶片特征提取 | 第26-39页 |
| 3.1 叶片生物学几何特征 | 第26-28页 |
| 3.2 叶片几何参数的获取 | 第28-30页 |
| 3.2.1 叶片轮廓的获取 | 第28页 |
| 3.2.2 凸包及最小包围矩形 | 第28-29页 |
| 3.2.3 叶子周长 | 第29页 |
| 3.2.4 叶子面积 | 第29-30页 |
| 3.3 叶片形状特征参数获取 | 第30-35页 |
| 3.3.1 矩形度 | 第30页 |
| 3.3.2 伸长度 | 第30-31页 |
| 3.3.3 圆形度 | 第31页 |
| 3.3.4 致密度 | 第31-32页 |
| 3.3.5 不变矩 | 第32-35页 |
| 3.4 叶片纹理特征提取 | 第35-38页 |
| 3.4.1 纹理特征 | 第35页 |
| 3.4.2 灰度共生矩阵 | 第35-36页 |
| 3.4.3 纹理特征参数 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 稀疏表示理论基础 | 第39-46页 |
| 4.1 稀疏表示理论 | 第39-40页 |
| 4.1.1 信号的稀疏表示 | 第39页 |
| 4.1.2 稀疏的度量 | 第39-40页 |
| 4.2 稀疏表示系数的求解 | 第40-44页 |
| 4.2.1 l0范数与匹配追踪算法 | 第40-42页 |
| 4.2.2 lp范数与 FOCUSS 算法 | 第42-43页 |
| 4.2.3 l1范数与凸松弛算法 | 第43-44页 |
| 4.3 稀疏表示的应用 | 第44页 |
| 4.4 本章小结 | 第44-46页 |
| 第五章 基于稀疏表示的植物叶片分类识别 | 第46-62页 |
| 5.1 稀疏表示的识别算法 | 第46-47页 |
| 5.2 植物叶片训练样本组成 | 第47-48页 |
| 5.3 植物叶片识别 | 第48-53页 |
| 5.3.1 植物叶片训练样本归一化处理 | 第48页 |
| 5.3.2 基于稀疏表示的植物识别方法 | 第48-49页 |
| 5.3.3 l1最小范数求解方法的选择 | 第49-53页 |
| 5.4 基于自适应权重的稀疏表示识别分类 | 第53-58页 |
| 5.4.1 多重稀疏表示模型 | 第53-55页 |
| 5.4.2 自适应权值 | 第55-58页 |
| 5.5 叶片识别结果与分析 | 第58-60页 |
| 5.6 本章小结 | 第60-62页 |
| 总结与展望 | 第62-64页 |
| 总结 | 第62-63页 |
| 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
