| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 1 前言 | 第12-20页 |
| ·研究目的与意义 | 第12-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·杂草识别的研究现状 | 第13-14页 |
| ·K 近邻分类方法的研究现状 | 第14-16页 |
| ·研究内容、技术路线和创新点 | 第16-19页 |
| ·研究内容 | 第16-17页 |
| ·技术路线 | 第17页 |
| ·创新点 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 2 杂草与水稻的特征提取 | 第20-40页 |
| ·引言 | 第20页 |
| ·颜色模型 | 第20-22页 |
| ·RGB 颜色模型 | 第20-21页 |
| ·HIS 颜色模型 | 第21-22页 |
| ·图像分割 | 第22-29页 |
| ·图像灰度化 | 第22-23页 |
| ·图像滤波 | 第23-25页 |
| ·阈值分割 | 第25-29页 |
| ·边缘检测 | 第29-34页 |
| ·边缘检测算子 | 第29-33页 |
| ·边缘检测结果比较和分析 | 第33-34页 |
| ·颜色特征提取 | 第34-38页 |
| ·本章小结 | 第38-40页 |
| 3 基于改进相似性度量的 K 近邻算法 | 第40-57页 |
| ·传统 K 近邻算法及几种改进 K 近邻算法 | 第41-46页 |
| ·传统 K 近邻算法 | 第41-42页 |
| ·TKNN 算法 | 第42-45页 |
| ·基于权重调整系数的改进 K 近邻算法 | 第45-46页 |
| ·基于最大熵的改进 K 近邻算法 | 第46-47页 |
| ·信息熵与最大熵概述 | 第46-47页 |
| ·基于最大熵的改进 K 近邻算法 | 第47页 |
| ·基于 I-divergence 的改进 K 近邻算法 | 第47-49页 |
| ·I-divergence 概述 | 第47-48页 |
| ·基于 I-divergence 的改进 K 近邻算法 | 第48-49页 |
| ·实验测试 | 第49-56页 |
| ·数据集与评价指标 | 第49-50页 |
| ·基于真实数据集的实验结果 | 第50-51页 |
| ·基于人工数据集的实验结果 | 第51-52页 |
| ·不同的 K 值对分类精度的影响 | 第52-55页 |
| ·训练样本数在样本集中的百分比对分类精度的影响 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 4 基于改进 K 近邻算法的杂草分类实例 | 第57-67页 |
| ·水稻与杂草分类 | 第57-60页 |
| ·杂草与杂草分类 | 第60-66页 |
| ·本章小结 | 第66-67页 |
| 5 结论与展望 | 第67-69页 |
| ·结论 | 第67-68页 |
| ·展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间发表的学术论文 | 第76页 |