| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 论文研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文的组织 | 第11-13页 |
| 2 小麦麦穗色彩模型选择 | 第13-18页 |
| 2.1 色彩空间模型介绍 | 第13-16页 |
| 2.1.1 RGB 颜色空间 | 第13-14页 |
| 2.1.2 HSV 颜色空间 | 第14-15页 |
| 2.1.3 YUV 颜色空间 | 第15-16页 |
| 2.2 小麦颜色信息与颜色模型选择 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 3 麦穗图像采集及预处理 | 第18-27页 |
| 3.1 图像采集 | 第18-20页 |
| 3.1.1 图像采集方法 | 第18-19页 |
| 3.1.2 样本拍摄条件 | 第19-20页 |
| 3.2 小麦图像的预处理 | 第20-26页 |
| 3.2.1 基于多尺度 Retinex 图像增强 | 第20-23页 |
| 3.2.2 基于 HSV 空间的 H 分量法的图像灰度化 | 第23-26页 |
| 3.3 本章小结 | 第26-27页 |
| 4 基于 Adaboost 算法的麦穗检测 | 第27-43页 |
| 4.1 Adaboost 算法介绍 | 第27-37页 |
| 4.1.1 Adaboost 算法 | 第27页 |
| 4.1.2 Haar 矩形特征 | 第27-31页 |
| 4.1.3 积分图 | 第31-33页 |
| 4.1.4 基于 Haar 特征的 Adaboost 算法 | 第33-37页 |
| 4.2 基于 Adaboost 的小麦检测过程 | 第37-40页 |
| 4.2.1 检测机制 | 第37-39页 |
| 4.2.2 检测流程 | 第39-40页 |
| 4.3 实验结果与分析 | 第40-42页 |
| 4.3.1 训练结果与分析 | 第40页 |
| 4.3.2 检测结果与分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 基于颜色特征与改进的 Adaboost 算法的麦穗检测 | 第43-52页 |
| 5.1 基于改进的 LBP 特征的 Adaboost 算法 | 第43-47页 |
| 5.1.1 LBP 特征 | 第43-44页 |
| 5.1.2 改进的 LBP 特征 | 第44-45页 |
| 5.1.3 基于改进的 LBP 特征的分类器训练过程 | 第45-47页 |
| 5.2 基于颜色特征与 Adaboost 算法的麦穗检测流程 | 第47-50页 |
| 5.2.1 基于颜色特征样本过滤 | 第48-49页 |
| 5.2.2 基于 Adaboost 算法检测窗口的选择 | 第49-50页 |
| 5.3 实验结果与分析 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 主要工作和结论 | 第52页 |
| 6.2 问题与展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 在读期间已发表论文 | 第57-65页 |
| 作者简历 | 第65-66页 |
| 致谢 | 第66-67页 |
