基于图像的植物叶片分类方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 植物机器识别的意义 | 第10-11页 |
| 1.2 叶片分类识别的国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究概况 | 第11-12页 |
| 1.2.2 国内研究概况 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 第2章 相关图像处理技术简介 | 第14-28页 |
| 2.1 图像灰度化 | 第14-15页 |
| 2.2 图像滤波 | 第15-18页 |
| 2.3 图像阈值分割 | 第18-20页 |
| 2.3.1 直方图阈值法 | 第19页 |
| 2.3.2 迭代法阈值分割 | 第19页 |
| 2.3.3 大津法阈值分割 | 第19-20页 |
| 2.4 叶片图像边缘检测 | 第20-25页 |
| 2.4.1 Roberts边缘检测算子 | 第21页 |
| 2.4.2 Prewitt边缘检测算子 | 第21-22页 |
| 2.4.3 Sobel边缘检测算子 | 第22页 |
| 2.4.4 LoG边缘检测算子 | 第22-23页 |
| 2.4.5 Canny边缘检测算子 | 第23-25页 |
| 2.5 形态学处理 | 第25-28页 |
| 第3章 叶片图像的预处理与分割 | 第28-32页 |
| 3.1 植物叶片图像获取 | 第28页 |
| 3.2 叶片灰度图像获取 | 第28-29页 |
| 3.3 滤波图像获取 | 第29页 |
| 3.4 二值图像获取 | 第29-30页 |
| 3.5 形态学处理图像获取 | 第30页 |
| 3.6 叶片轮廓的获取 | 第30-32页 |
| 第4章 叶片图像骨架提取 | 第32-39页 |
| 4.1 骨架的基本概念 | 第32页 |
| 4.2 骨架及熄火函数的获取 | 第32-33页 |
| 4.3 骨架分枝的确定 | 第33页 |
| 4.4 区域重构与骨架的显著性指标 | 第33-35页 |
| 4.5 叶片区域骨架去毛刺方法 | 第35-36页 |
| 4.6 提取骨架 | 第36-39页 |
| 第5章 特征提取 | 第39-48页 |
| 5.1 叶片几何特征提取 | 第39-43页 |
| 5.2 叶片图像不变矩的提取 | 第43-45页 |
| 5.3 纹理描绘子 | 第45-46页 |
| 5.4 分形维数 | 第46-47页 |
| 5.5 特征归一化处理 | 第47-48页 |
| 第6章 基于BP神经网络的叶片分类 | 第48-60页 |
| 6.1 神经网络的概述 | 第48页 |
| 6.2 人工神经网络之构成与分类 | 第48-49页 |
| 6.3 BP神经网络简介 | 第49-50页 |
| 6.4 BP神经网络的结构和算法 | 第50-53页 |
| 6.5 BP网络设计 | 第53-55页 |
| 6.5.1 输入层和输出层的设计 | 第53-54页 |
| 6.5.2 隐含层的设计 | 第54页 |
| 6.5.3 隐含层神经元数目的选取 | 第54-55页 |
| 6.5.4 学习率的确定 | 第55页 |
| 6.5.5 动量因子的选择 | 第55页 |
| 6.6 创建BP神经网络 | 第55-56页 |
| 6.7 实验结果及分析 | 第56-60页 |
| 总结和展望 | 第60-62页 |
| 总结 | 第60页 |
| 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第67页 |
