基于纹理颜色的温室大棚黄瓜图像识别
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.1.1 农业机器人的特点 | 第8-9页 |
| 1.1.2 农业机器人视觉技术 | 第9页 |
| 1.2 果实识别的国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 目前存在的问题 | 第11-12页 |
| 1.4 本文工作内容 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 MSER检测候选区域 | 第14-20页 |
| 2.1 最大稳定极值区域 | 第14-15页 |
| 2.1.1 MSER特征区域的定义 | 第14页 |
| 2.1.2 MSER特征区域的检测 | 第14-15页 |
| 2.2 特征区域的提取 | 第15-17页 |
| 2.2.1 特征区域检测步骤 | 第15页 |
| 2.2.2 特征区域的拟合 | 第15-16页 |
| 2.2.3 MSER区域的仿射不变性 | 第16-17页 |
| 2.3 MSER对目标区域的椭圆筛选 | 第17-18页 |
| 2.4 MSER颜色通道的选取 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 HOG特征的支持向量机训练分类 | 第20-32页 |
| 3.1 HOG特征提取 | 第20-22页 |
| 3.2 支持向量机 | 第22-27页 |
| 3.2.1 线性可分条件下分类 | 第23-25页 |
| 3.2.2 非线性判别的分类方法 | 第25-27页 |
| 3.3 HOG+SVM的训练分类 | 第27-30页 |
| 3.3.1 操作流程 | 第27页 |
| 3.3.2 正负训练样本 | 第27-29页 |
| 3.3.3 交叉验证 | 第29-30页 |
| 3.3.4 核函数选取 | 第30页 |
| 3.4 本章小结 | 第30-32页 |
| 第四章 去除错误分类 | 第32-45页 |
| 4.1 SIFT特征点检测 | 第32-37页 |
| 4.1.1 建立尺度空间检测极值点 | 第32-34页 |
| 4.1.2 精确定位特征点所在的尺度以及位置 | 第34-35页 |
| 4.1.3 方向的确定 | 第35-36页 |
| 4.1.4 关键点描述 | 第36-37页 |
| 4.2 利用SIFT消除错误分类点 | 第37页 |
| 4.3 黄瓜的颜色通道分割 | 第37-40页 |
| 4.3.1 RGB颜色空间分析 | 第38页 |
| 4.3.2 HIS颜色空间分析 | 第38-39页 |
| 4.3.3 HIS颜色空间下的黄瓜图像分析 | 第39-40页 |
| 4.4 形态学操作 | 第40-44页 |
| 4.4.1 膨胀 | 第41-42页 |
| 4.4.2 腐蚀 | 第42页 |
| 4.4.3 开运算 | 第42页 |
| 4.4.4 闭运算 | 第42-43页 |
| 4.4.5 形态学处理黄瓜二值图像 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 分割结果比较分析 | 第45-50页 |
| 5.1 分割结果比较 | 第45-46页 |
| 5.2 分割结果统计 | 第46-48页 |
| 5.2.1 分割精度比较 | 第46-47页 |
| 5.2.2 消耗时间比较分析 | 第47-48页 |
| 5.3 问题分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-51页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 发表论文和科研情况说明 | 第54-55页 |
| 致谢 | 第55页 |
