| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 插图目录 | 第13-15页 |
| 表格目录 | 第15-16页 |
| 第一章 绪论 | 第16-34页 |
| ·计算机视觉与数字图像处理 | 第16-17页 |
| ·模式识别的概念 | 第17-19页 |
| ·植物分类 | 第19-22页 |
| ·计算机视觉技术在植物界的应用 | 第22-24页 |
| ·计算机视觉技术在植物种子分类中的应用 | 第22页 |
| ·计算机视觉技术在植物监测中的应用 | 第22-24页 |
| ·计算机视觉用于植物分类的研究 | 第24-26页 |
| ·本文研究内容 | 第26-27页 |
| ·本文的主要创新点 | 第27-29页 |
| 参考文献 | 第29-34页 |
| 第二章 彩色特征空间分析 | 第34-50页 |
| ·光和颜色 | 第34页 |
| ·颜色的度量 | 第34-35页 |
| ·彩色空间介绍 | 第35-41页 |
| ·RGB彩色空间 | 第36页 |
| ·HSI彩色空间 | 第36-38页 |
| ·CIE均匀彩色空间 | 第38-39页 |
| ·CMY色彩空间 | 第39页 |
| ·YUV和YIQ彩色空间 | 第39-40页 |
| ·孟塞尔(Munsell)彩色系统 | 第40-41页 |
| ·彩色空间之间的转换 | 第41-46页 |
| ·线性变换空间 | 第41-42页 |
| ·YIQ空间与RGB空间的线性转换 | 第41-42页 |
| ·I1I2I3变换 | 第42页 |
| ·彩色空间的非线性变换 | 第42-46页 |
| ·规格化RGB | 第42-44页 |
| ·CIE与RGB的转换 | 第44-45页 |
| ·HSI与CIE之间的转换 | 第45-46页 |
| ·RGB与HSI空间的相互转换 | 第46页 |
| ·彩色特征空间讨论 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 参考文献 | 第49-50页 |
| 第三章 基于内容的图像特征提取 | 第50-90页 |
| ·引言 | 第50-51页 |
| ·彩色图像的颜色特征提取 | 第51-57页 |
| ·颜色直方图(Color Histogram) | 第51-52页 |
| ·颜色聚合矢量(Color Coherence Vector) | 第52-53页 |
| ·颜色相关图(Color Correlogram) | 第53页 |
| ·颜色矩(Color Moments) | 第53-54页 |
| ·局部颜色特征 | 第54页 |
| ·图像的灰度直方图 | 第54-56页 |
| ·累积直方图 | 第56页 |
| ·一种基于C-means聚类的颜色特征提取 | 第56-57页 |
| ·彩色图像的纹理特征提取 | 第57-80页 |
| ·基于空间性质的纹理模型 | 第57-64页 |
| ·基于自相关函数的纹理模型 | 第58页 |
| ·基于共生矩阵的模型 | 第58-61页 |
| ·随机分形模型 | 第61-62页 |
| ·随机场模型 | 第62页 |
| ·行程长度统计法 | 第62-63页 |
| ·图像马尔可夫转移概率特征 | 第63-64页 |
| ·基于频域性质的纹理模型 | 第64-80页 |
| ·频谱法 | 第64-65页 |
| ·小波变换 | 第65-68页 |
| ·小波域共生矩阵模型 | 第68-69页 |
| ·Gabor变换 | 第69-71页 |
| ·Contourlet变换 | 第71-76页 |
| ·图像小波域的广义高斯模型 | 第76-80页 |
| ·彩色图像的形状特征提取 | 第80-85页 |
| ·基于外部参数的形状描述 | 第80-82页 |
| ·基于象素的形状表达 | 第80-81页 |
| ·轮廓特征分布 | 第81页 |
| ·一维傅立叶变换 | 第81-82页 |
| ·自回归模型 | 第82页 |
| ·多尺度的形状描述 | 第82页 |
| ·边缘方向直方图 | 第82页 |
| ·基于内部参数的形状描述 | 第82-85页 |
| ·形状参数 | 第83页 |
| ·偏心率 | 第83页 |
| ·球状性 | 第83页 |
| ·区域的矩 | 第83-85页 |
| ·本章小结 | 第85页 |
| 参考文献 | 第85-90页 |
| 第四章 基于SVM和RBPNN的植物分类研究 | 第90-118页 |
| ·引言 | 第90-91页 |
| ·SVM分类器 | 第91-95页 |
| ·SVM基本原理 | 第91-95页 |
| ·线性可分情况 | 第91-92页 |
| ·线性不可分情况 | 第92-93页 |
| ·支持向量机的内积函数 | 第93页 |
| ·用于多类分类的支持向量机 | 第93-95页 |
| ·RBPNN分类器 | 第95-102页 |
| ·概率神经网络 | 第95-96页 |
| ·RBF神经网络 | 第96-97页 |
| ·径向基函数神经网络与概率神经网络的比较 | 第97-98页 |
| ·径向基概率神经网络的结构和特点 | 第98-102页 |
| ·径向基概率神经网络的学习算法 | 第99-102页 |
| ·实验数据 | 第102-105页 |
| ·实验结果 | 第105-114页 |
| ·共生矩阵特征的分类实验 | 第105-106页 |
| ·共生矩阵与分形维数特征结合的分类实验 | 第106-107页 |
| ·小波域共生矩阵特征的分类实验 | 第107页 |
| ·C-means聚类颜色特征的分类实验 | 第107-108页 |
| ·基于概率转移矩阵特征的分类实验 | 第108页 |
| ·小波及Contourlet小波纹理特征的分类实验 | 第108-110页 |
| ·Gabor纹理特征的分类实验 | 第110-111页 |
| ·Gabor纹理特征和颜色信息的分类实验 | 第111-112页 |
| ·小波域的广义高斯模型特征实验 | 第112-113页 |
| ·共生矩阵与形状特征的分类结果 | 第113-114页 |
| ·实验结果分析 | 第114-116页 |
| ·本章小结 | 第116页 |
| 参考文献 | 第116-118页 |
| 总结与展望 | 第118-122页 |
| 1、本文的主要工作与创新点 | 第118-119页 |
| 2、展望 | 第119-122页 |
| 攻读博士学位期间发表论文、参加科研项目情况 | 第122-124页 |
| 致谢 | 第124-125页 |
| 中国科学技术大学博士学位论文自评表 | 第125页 |
