首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于高光谱成像技术的茄子叶片色差值检测和早疫病识别方法研究

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

论文共158页,点击 下载论文
上一篇:食品生物胺高效液相色谱分析技术的系统研究
下一篇:基于液体发酵的高三萜灵芝菌生物转化大豆异黄酮及其抑制肿瘤活性研究