| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究目的及意义 | 第9-10页 |
| 1.2 国内外研究概况 | 第10-11页 |
| 1.3 本文研究目标及内容安排 | 第11-12页 |
| 第二章 数据采集及预处理过程 | 第12-19页 |
| 2.1 三维点云数据采集 | 第12-13页 |
| 2.2 数据预处理 | 第13-18页 |
| 2.2.1 R-近邻 | 第14页 |
| 2.2.2 K-近邻 | 第14-16页 |
| 2.2.3 基于图论测地距离的K-近邻搜索 | 第16-17页 |
| 2.2.4 数据降噪 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 特征生成算法 | 第19-31页 |
| 3.1 空间散点分布特征 | 第19-20页 |
| 3.2 法向分布特征 | 第20-23页 |
| 3.3 局部切平面分布特征 | 第23-25页 |
| 3.4 实验结果与分析 | 第25-30页 |
| 3.4.1 实验数据说明 | 第25-28页 |
| 3.4.2 实验结果分析 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于有监督的分类算法 | 第31-44页 |
| 4.1 支持向量机-SVM | 第31-32页 |
| 4.2 近似支持向量机-PSVM | 第32-34页 |
| 4.3 广义特征值近似支持向量机-GEPSVM | 第34-35页 |
| 4.4 实验结果与分析 | 第35-43页 |
| 4.4.1 不同特征在PSVM和GEPSVM中对比实验 | 第35-39页 |
| 4.4.2 不同分类器性能对比 | 第39-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于无监督的聚类算法 | 第44-52页 |
| 5.1 基于随机投影的特征降维算法 | 第44-46页 |
| 5.1.1 随机投影方法 | 第45页 |
| 5.1.2 随机投影的性质 | 第45页 |
| 5.1.3 使用随机投影的特征降维方法 | 第45-46页 |
| 5.2 高斯混合模型聚类 | 第46-48页 |
| 5.2.1 高斯混合模型 | 第46-47页 |
| 5.2.2 EM算法求解高斯混合模型 | 第47-48页 |
| 5.3 集成聚类算法 | 第48-49页 |
| 5.3.1 单次随机投影聚类过程 | 第48页 |
| 5.3.2 软聚类的集成方法 | 第48-49页 |
| 5.3.3 大规模数据软聚类集成方法 | 第49页 |
| 5.4 实验结果与分析 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 自动化点云数据植物器官分割方法 | 第52-58页 |
| 6.1 自动化点云识别方法 | 第52-54页 |
| 6.2 实验结果与分析 | 第54-57页 |
| 6.2.1 修正后自动化点云识别效果 | 第55-57页 |
| 6.3 本章小结 | 第57-58页 |
| 第七章 结束语 | 第58-60页 |
| 攻读学位期间发表的学术论文 | 第60-61页 |
| 参考文献 | 第61-63页 |