致谢 | 第7-9页 |
摘要 | 第9-12页 |
Abstract | 第12-14页 |
缩略词表 | 第28-29页 |
第一章 绪论 | 第29-41页 |
提要 | 第29页 |
1.1 研究背景 | 第29-31页 |
1.2 光谱和多光谱成像技术在作物病害检测中的研究进展 | 第31-33页 |
1.3 高光谱成像技术 | 第33-39页 |
1.3.1 高光谱成像技术的原理 | 第33-34页 |
1.3.2 高光谱成像技术在作物病害检测中的研究进展 | 第34-37页 |
1.3.3 高光谱成像技术在色差值(L~*、a~*和b~*)检测中的研究进展 | 第37-38页 |
1.3.4 高光谱成像技术在作物病害检测中的问题和难点 | 第38-39页 |
1.4 研究内容 | 第39-40页 |
1.5 本章小结 | 第40-41页 |
第二章 材料与方法 | 第41-67页 |
提要 | 第41页 |
2.1 试验材料 | 第41页 |
2.2 高光谱图像采集系统 | 第41-46页 |
2.2.1 硬件平台 | 第42-45页 |
2.2.1.1 光谱仪 | 第42-43页 |
2.2.1.2 光源 | 第43-44页 |
2.2.1.3 CCD探测器 | 第44页 |
2.2.1.4 其它辅助设备 | 第44-45页 |
2.2.2 软件平台 | 第45-46页 |
2.3 色差仪 | 第46-47页 |
2.4 分析软件 | 第47-49页 |
2.5 光谱数据预处理 | 第49-51页 |
2.5.1 平滑 | 第49-50页 |
2.5.2 归一化 | 第50页 |
2.5.3 求导 | 第50页 |
2.5.4 变量标准化 | 第50页 |
2.5.5 多元散射校正 | 第50-51页 |
2.5.6 去趋势 | 第51页 |
2.6 特征波长提取方法 | 第51-52页 |
2.6.1 竞争性自适应重加权算法 | 第51页 |
2.6.2 回归系数法 | 第51-52页 |
2.6.3 相关系数法 | 第52页 |
2.7 纹理特征值 | 第52-55页 |
2.7.1 基于概率统计滤波的纹理值 | 第53页 |
2.7.2 基于二阶概率统计滤波的纹理值 | 第53-55页 |
2.8 回归和分类方法 | 第55-65页 |
2.8.1 主成分分析 | 第55页 |
2.8.2 偏最小二乘 | 第55-56页 |
2.8.3 最小二乘-支持向量机 | 第56-58页 |
2.8.4 人工神经网络 | 第58-59页 |
2.8.5 决策树 | 第59-60页 |
2.8.6 朴素贝叶斯 | 第60-61页 |
2.8.7 K最近邻 | 第61-62页 |
2.8.8 AdaBoost | 第62-63页 |
2.8.9 支持向量机 | 第63-65页 |
2.9 模型评价标准 | 第65-66页 |
2.9.1 回归模型评价标准 | 第65-66页 |
2.9.2 分类模型评价标准 | 第66页 |
2.10 本章小结 | 第66-67页 |
第三章 基于光谱反射率信息的茄子叶片色差值研究 | 第67-93页 |
提要 | 第67页 |
3.1 引言 | 第67页 |
3.2 试验样本 | 第67-68页 |
3.3 基于可见/近红外高光谱成像的早疫病胁迫下茄子叶片表面色差值研究 | 第68-80页 |
3.3.1 可见/近红外高光谱图像采集与校正 | 第68-69页 |
3.3.2 光谱反射率提取及曲线分析 | 第69-70页 |
3.3.3 全波段的预测结果 | 第70-71页 |
3.3.4 特征波长 | 第71-75页 |
3.3.4.1 竞争性自适应重加权算法推荐的特征波长 | 第71-73页 |
3.3.4.2 回归系数法推荐的特征波长 | 第73页 |
3.3.4.3 相关系数法推荐的特征波长 | 第73-75页 |
3.3.5 特征波长的预测结果 | 第75-80页 |
3.3.5.1 竞争性自适应重加权算法的预测结果 | 第75-77页 |
3.3.5.2 回归系数法的预测结果 | 第77-78页 |
3.3.5.3 相关系数法的预测结果 | 第78-80页 |
3.4 基于近红外高光谱成像的早疫病胁迫下茄子叶片表面色差值研究 | 第80-92页 |
3.4.1 近红外高光谱图像采集与校正 | 第80-81页 |
3.4.2 光谱反射率提取及曲线分析 | 第81-82页 |
3.4.3 全波段的预测结果 | 第82-83页 |
3.4.4 特征波长 | 第83-88页 |
3.4.4.1 竞争性自适应重加权算法推荐的特征波长 | 第83-85页 |
3.4.4.2 回归系数法推荐的特征波长 | 第85-86页 |
3.4.4.3 相关系数法推荐的特征波长 | 第86-88页 |
3.4.5 特征波长的预测结果 | 第88-92页 |
3.4.5.1 竞争性自适应重加权算法的预测结果 | 第88-89页 |
3.4.5.2 回归系数法的预测结果 | 第89-90页 |
3.4.5.3 相关系数法的预测结果 | 第90-92页 |
3.5 本章小结 | 第92-93页 |
第四章 光谱反射率信息识别茄子叶片早疫病的研究 | 第93-109页 |
提要 | 第93页 |
4.1 引言 | 第93页 |
4.2 试验样本 | 第93页 |
4.3 可见/近红外高光谱成像技术识别茄子叶片早疫病 | 第93-100页 |
4.3.1 可见/近红外高光谱图像采集与校正 | 第93-94页 |
4.3.2 光谱反射率提取 | 第94页 |
4.3.3 光谱反射率曲线分析 | 第94页 |
4.3.4 样本的空间分布 | 第94-95页 |
4.3.5 全波段定量识别模型的建立与比较 | 第95-96页 |
4.3.6 特征波长 | 第96-98页 |
4.3.6.1 竞争性自适应重加权算法推荐的特征波长 | 第96页 |
4.3.6.2 回归系数法推荐的特征波长 | 第96-97页 |
4.3.6.3 相关系数法推荐的特征波长 | 第97-98页 |
4.3.7 特征波长定量识别模型的建立与比较 | 第98-100页 |
4.3.7.1 竞争性自适应重加权算法的识别结果 | 第98-99页 |
4.3.7.2 回归系数法的识别结果 | 第99-100页 |
4.3.7.3 相关系数法的识别结果 | 第100页 |
4.4 近红外高光谱成像技术识别茄子叶片早疫病 | 第100-107页 |
4.4.1 近红外高光谱图像采集与校正 | 第100-101页 |
4.4.2 光谱反射率提取 | 第101页 |
4.4.3 光谱反射率曲线分析 | 第101-102页 |
4.4.4 样本的空间分布 | 第102页 |
4.4.5 全波段定量识别模型的建立与比较 | 第102-103页 |
4.4.6 特征波长 | 第103-105页 |
4.4.6.1 竞争性自适应重加权算法推荐的特征波长 | 第103页 |
4.4.6.2 回归系数法推荐的特征波长 | 第103-104页 |
4.4.6.3 相关系数法推荐的特征波长 | 第104-105页 |
4.4.7 特征波长定量识别模型的建立与比较 | 第105-107页 |
4.4.7.1 竞争性自适应重加权算法的识别结果 | 第105-106页 |
4.4.7.2 回归系数法的识别结果 | 第106-107页 |
4.4.7.3 相关系数法的识别结果 | 第107页 |
4.5 本章小结 | 第107-109页 |
第五章 灰度图像纹理特征值识别茄子叶片早疫病的研究 | 第109-119页 |
提要 | 第109页 |
5.1 引言 | 第109页 |
5.2 可见/近红外波段范围内灰度图纹理特征值检测茄子叶片早疫病 | 第109-113页 |
5.2.1 特征波长下灰度图像 | 第109-110页 |
5.2.2 基于概率统计滤波的纹理特征值 | 第110-111页 |
5.2.2.1 纹理特征图像 | 第110页 |
5.2.2.2 样本的空间分布 | 第110-111页 |
5.2.2.3 样本的定量识别 | 第111页 |
5.2.3 基于二阶概率统计滤波的纹理特征值 | 第111-113页 |
5.2.3.1 纹理特征图像 | 第111-112页 |
5.2.3.2 样本的空间分布 | 第112页 |
5.2.3.3 样本的定量识别 | 第112-113页 |
5.3 近红外波段范围内灰度图纹理特征值检测茄子叶片早疫病 | 第113-117页 |
5.3.1 特征波长下灰度图像 | 第113-114页 |
5.3.2 基于概率统计滤波的纹理特征值 | 第114-115页 |
5.3.2.1 纹理特征图像 | 第114页 |
5.3.2.2 样本的空间分布 | 第114-115页 |
5.3.2.3 样本的定量识别 | 第115页 |
5.3.3 基于二阶概率统计滤波的纹理特征值 | 第115-117页 |
5.3.3.1 纹理特征图像 | 第115-116页 |
5.3.3.2 样本的空间分布 | 第116页 |
5.3.3.3 样本的定量识别 | 第116-117页 |
5.4 本章小结 | 第117-119页 |
第六章 RGB、HSV和HLS图像纹理特征值识别茄子叶片早疫病的研究 | 第119-135页 |
提要 | 第119页 |
6.1 引言 | 第119页 |
6.2 RGB、HSV和HLS颜色空间转换 | 第119-120页 |
6.3 RGB图像纹理特征值识别茄子叶片早疫病 | 第120-125页 |
6.3.1 RGB颜色空间图像 | 第120-121页 |
6.3.2 基于概率统计滤波的纹理特征值 | 第121-123页 |
6.3.2.1 纹理特征图像 | 第121-122页 |
6.3.2.2 样本的空间分布 | 第122页 |
6.3.2.3 样本的定量识别 | 第122-123页 |
6.3.3 基于二阶概率统计滤波的纹理特征值 | 第123-125页 |
6.3.3.1 纹理特征图像 | 第123页 |
6.3.3.2 样本的空间分布 | 第123-124页 |
6.3.3.3 样本的定量识别 | 第124-125页 |
6.4 HSV图像纹理特征值识别茄子叶片早疫病 | 第125-129页 |
6.4.1 HSV颜色空间图像 | 第125页 |
6.4.2 基于概率统计滤波的纹理特征值 | 第125-127页 |
6.4.2.1 纹理特征图像 | 第125-126页 |
6.4.2.2 样本的空间分布 | 第126-127页 |
6.4.2.3 样本的定量识别 | 第127页 |
6.4.3 基于二阶概率统计滤波的纹理特征值 | 第127-129页 |
6.4.3.1 纹理特征图像 | 第127-128页 |
6.4.3.2 样本的空间分布 | 第128页 |
6.4.3.3 样本的定量识别 | 第128-129页 |
6.5 HLS图像纹理特征值识别茄子叶片早疫病 | 第129-134页 |
6.5.1 HLS颜色空间图像 | 第129-130页 |
6.5.2 基于概率统计滤波的纹理特征值 | 第130-132页 |
6.5.2.1 纹理特征图像 | 第130页 |
6.5.2.2 样本的空间分布 | 第130-131页 |
6.5.2.3 样本的定量识别 | 第131-132页 |
6.5.3 基于二阶概率统计滤波的纹理特征值 | 第132-134页 |
6.5.3.1 纹理特征图像 | 第132页 |
6.5.3.2 样本的空间分布 | 第132-133页 |
6.5.3.3 样本的定量识别 | 第133-134页 |
6.6 本章小结 | 第134-135页 |
第七章 RGB、HSV和HLS图像颜色信息识别茄子叶片早疫病的研究 | 第135-140页 |
提要 | 第135页 |
7.1 引言 | 第135页 |
7.2 RGB颜色空间 | 第135-136页 |
7.2.1 样本的空间分布 | 第135-136页 |
7.2.2 样本的定量识别 | 第136页 |
7.3 HSV颜色空间 | 第136-137页 |
7.3.1 样本的空间分布 | 第136-137页 |
7.3.2 样本的定量识别 | 第137页 |
7.4 HLS颜色空间 | 第137-139页 |
7.4.1 样本的空间分布 | 第137-138页 |
7.4.2 样本的定量识别 | 第138-139页 |
7.5 本章小结 | 第139-140页 |
第八章 结论与展望 | 第140-144页 |
8.1 主要结论 | 第140-143页 |
8.2 主要创新点 | 第143页 |
8.3 研究展望 | 第143-144页 |
参考文献 | 第144-149页 |
附录 | 第149-155页 |
作者简介 | 第155-158页 |