基于最近邻的烟叶智能分级研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1.绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 烟叶分级标准 | 第10-14页 |
| 1.3.1 烟叶的质量 | 第11页 |
| 1.3.2 烟叶的分组 | 第11-13页 |
| 1.3.3 烟叶分级 | 第13-14页 |
| 1.4 研究现状 | 第14-15页 |
| 1.5 本文研究方案 | 第15-16页 |
| 2. 烟叶图像的采集与预处理 | 第16-30页 |
| 2.1 烟叶图像采集 | 第16-18页 |
| 2.1.1 CCD摄像机 | 第16-17页 |
| 2.1.2 图像采集卡 | 第17页 |
| 2.1.3 光源 | 第17-18页 |
| 2.2 烟叶图像的预处理 | 第18-29页 |
| 2.2.1 图像平滑 | 第18-21页 |
| 2.2.2 背景分割 | 第21-27页 |
| 2.2.3 边缘提取 | 第27-29页 |
| 2.3 本章研究工作 | 第29-30页 |
| 3. 烟叶的特征提取与特征选择 | 第30-45页 |
| 3.1 烟叶的特征提取 | 第30-39页 |
| 3.1.1 烟叶的颜色特征 | 第30-34页 |
| 3.1.2 烟叶的形状特征 | 第34-37页 |
| 3.1.3 烟叶的纹理特征 | 第37-39页 |
| 3.2 特征选择 | 第39-44页 |
| 3.2.1 特征选择的概念及其分类 | 第39-42页 |
| 3.2.2 烟叶分级中的特征选择 | 第42-44页 |
| 3.3 本章研究工作 | 第44-45页 |
| 4. 最近邻的改进方法研究 | 第45-53页 |
| 4.1 最近邻分类法 | 第45页 |
| 4.2 目前最近邻的改进方向 | 第45-47页 |
| 4.3 本文改进的最近邻分类方法 | 第47-51页 |
| 4.3.1 基于熵值赋权的平均欧式距离 | 第47-48页 |
| 4.3.2 基于聚类的最近邻分类方法 | 第48-50页 |
| 4.3.3 KKNN分类方法 | 第50-51页 |
| 4.3.4 KKNN的复杂度分析 | 第51页 |
| 4.4 本章研究工作 | 第51-53页 |
| 5. 烟叶分级的智能化实验 | 第53-59页 |
| 5.1 特征选择实验 | 第53-56页 |
| 5.2 KKNN的参数选取 | 第56-58页 |
| 5.3 本章研究工作 | 第58-59页 |
| 6.总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 个人简历、研究成果及参与科研项目 | 第65页 |
