阔叶树种叶片图像模式分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 图像分类研究现状 | 第10页 |
| 1.3 深度学习理论和发展现状 | 第10-11页 |
| 1.4 树种识别存在的问题 | 第11-12页 |
| 1.5 本文主要研究内容 | 第12-13页 |
| 2 阔叶叶片图像模式分类技术及原理 | 第13-22页 |
| 2.1 阔叶树叶片图像分类研究方法 | 第13页 |
| 2.2 判别域界面方程模型 | 第13-16页 |
| 2.2.1 研究所用材料 | 第13-14页 |
| 2.2.2 叶片特征值选取 | 第14页 |
| 2.2.3 线性判别函数 | 第14-15页 |
| 2.2.4 线性分类器的分析 | 第15-16页 |
| 2.3 使用卷积神经网络叶片模式分类 | 第16-20页 |
| 2.3.1 卷积神经网络 | 第16-19页 |
| 2.3.2 网络训练 | 第19-20页 |
| 2.4 Caffe深度学习平台 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 阔叶树叶片图像特征提取与模式分类程序设计 | 第22-28页 |
| 3.1 特征提取与图像分类识别过程 | 第22页 |
| 3.2 程序实现所需基础 | 第22页 |
| 3.2.1 OpenCV计算机视觉开发库 | 第22页 |
| 3.2.2 Qt程序开发平台调用OpenCV | 第22页 |
| 3.3 叶片处理 | 第22-25页 |
| 3.3.1 数字成像技术 | 第22-23页 |
| 3.3.2 图像处理与分割 | 第23-25页 |
| 3.3.3 叶片特征值采集 | 第25页 |
| 3.4 线性分类器试验程序实现 | 第25-27页 |
| 3.4.1 特征值提取 | 第25-26页 |
| 3.4.2 判别域界面方程实现 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 4 卷积神经网络在叶片图像模式分类中的实现 | 第28-33页 |
| 4.1 卷积神经网络特征提取识别 | 第28页 |
| 4.2 试验中用到的图像 | 第28-29页 |
| 4.3 叶片图像识别网络模型结构设计 | 第29-31页 |
| 4.3.1 数据格式转换 | 第29页 |
| 4.3.2 网络结构编写 | 第29-31页 |
| 4.4 卷积神经网络训练 | 第31-32页 |
| 4.4.1 设定网络初始值 | 第31-32页 |
| 4.4.2 训练网络 | 第32页 |
| 4.5 本章小结 | 第32-33页 |
| 结论 | 第33-34页 |
| 参考文献 | 第34-37页 |
| 攻读学位期间发表的学术论文 | 第37-38页 |
| 致谢 | 第38-39页 |
