水稻飞虱自动识别技术的研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第11-24页 |
| ·图像数字技术在农业上的应用 | 第11-12页 |
| ·昆虫自动识别技术的国内外研究现状 | 第12-16页 |
| ·国外研究现状 | 第13-14页 |
| ·国内研究现状 | 第14-16页 |
| ·本研究的目的和意义 | 第16-18页 |
| ·稻飞虱基本知识 | 第18-20页 |
| ·本文的主要工作 | 第20页 |
| 参考文献 | 第20-24页 |
| 第二章 水稻飞虱图像的采集及预处理 | 第24-41页 |
| ·飞虱图像的采集 | 第24-26页 |
| ·拍摄系统 | 第24-25页 |
| ·样本的准备 | 第25-26页 |
| ·静态显微数字图像的采集 | 第26页 |
| ·飞虱图像去噪 | 第26-30页 |
| ·图像中值滤波原理 | 第26-28页 |
| ·中值滤波和均值滤波在本文中的应用及比较 | 第28-30页 |
| ·图像分割 | 第30-39页 |
| ·灰度阈值分割法 | 第30-32页 |
| ·全局阈值分割在本文中的应用 | 第32-34页 |
| ·飞虱图像分析 | 第32-33页 |
| ·阈值的初步确定 | 第33-34页 |
| ·分割二值图像的形态学处理 | 第34-39页 |
| ·数学形态学概念 | 第34-35页 |
| ·图像腐蚀 | 第35-36页 |
| ·图像膨胀 | 第36页 |
| ·开运算和闭运算 | 第36-37页 |
| ·本文的形态学处理 | 第37-38页 |
| ·分割阈值的最终确定及分割效果的评价 | 第38-39页 |
| ·合成目标区域的RGB彩色图像 | 第39页 |
| ·本章小结 | 第39-40页 |
| 参考文献 | 第40-41页 |
| 第三章 水稻飞虱图像特征提取 | 第41-62页 |
| ·特征提取和选择准则 | 第41-43页 |
| ·颜色特征 | 第41-42页 |
| ·纹理特征 | 第42页 |
| ·形状特征 | 第42-43页 |
| ·颜色特征的提取 | 第43-51页 |
| ·颜色模型 | 第43-46页 |
| ·RGB颜色模型 | 第43-44页 |
| ·HSI颜色模型 | 第44-46页 |
| ·百分率直方图法提取飞虱图像背部颜色特征 | 第46-49页 |
| ·飞虱图像颜色特性分析 | 第47页 |
| ·颜色值区域的确定 | 第47-49页 |
| ·提取颜色矩表征图像颜色特征 | 第49-51页 |
| ·图像纹理特征提取 | 第51-59页 |
| ·纹理特征概述 | 第51页 |
| ·飞虱图像纹理特征分析 | 第51-52页 |
| ·灰度共生矩阵(GLCM) | 第52-54页 |
| ·灰度共生矩阵的生成 | 第52-53页 |
| ·灰度共生矩阵的特征参数 | 第53-54页 |
| ·纹理特征参数的提取 | 第54-59页 |
| ·子图像的选取 | 第54-57页 |
| ·灰度共生矩阵参数的选择 | 第57-58页 |
| ·纹理特征提取流程 | 第58-59页 |
| ·图像形状特征提取 | 第59-60页 |
| ·本章小结 | 第60页 |
| 参考文献 | 第60-62页 |
| 第四章 BP神经网络分类器的设计 | 第62-76页 |
| ·BP神经网络与 BP学习算法 | 第62-66页 |
| ·BP网络学习规则 | 第63-64页 |
| ·BP算法的缺点及其改进措施 | 第64-66页 |
| ·神经网络在飞虱图像分类中的应用 | 第66-74页 |
| ·神经网络学习算法的确定 | 第66-71页 |
| ·神经网络结构的确定 | 第67-68页 |
| ·神经网络参数的选择 | 第68页 |
| ·神经网络算法的比较 | 第68-71页 |
| ·分类器实验过程与结果 | 第71-74页 |
| ·本章小结 | 第74-75页 |
| 参考文献 | 第75-76页 |
| 第五章 飞虱识别系统的总体设计与实现 | 第76-82页 |
| ·飞虱识别系统的总体结构 | 第76-77页 |
| ·飞虱识别系统的功能 | 第77-81页 |
| ·系统操作过程 | 第81-82页 |
| 第六章 结论与建议 | 第82-84页 |
| 硕士期间发表论文 | 第84-85页 |
| 致谢 | 第85页 |
