| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1.绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 发展趋势 | 第13页 |
| 1.3 数字图像处理概述 | 第13-14页 |
| 1.4 主要内容和安排 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2.数字图像处理相关技术 | 第16-23页 |
| 2.1 图像的采集 | 第16-17页 |
| 2.2 图像预处理 | 第17-19页 |
| 2.2.1 灰度化 | 第17-18页 |
| 2.2.2 图像平滑与滤波 | 第18-19页 |
| 2.3 图像特征 | 第19-20页 |
| 2.3.1 颜色特征 | 第20页 |
| 2.3.2 纹理特征 | 第20页 |
| 2.3.3 形状特征 | 第20页 |
| 2.4 图像分割 | 第20-22页 |
| 2.4.1 基于阈值的分割 | 第21页 |
| 2.4.2 基于边缘的分割 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3.草地内部障碍物的识别 | 第23-33页 |
| 3.1 传统的障碍物识别方法 | 第23-24页 |
| 3.2 基于颜色特征的障碍物识别方法 | 第24-27页 |
| 3.2.1 基本原理及优缺点 | 第24页 |
| 3.2.2 颜色模型 | 第24-26页 |
| 3.2.3 颜色特征的选取 | 第26-27页 |
| 3.3 基于纹理特征的障碍物识别方法 | 第27-29页 |
| 3.3.1 基本原理及优缺点 | 第27页 |
| 3.3.2 灰度共生矩阵的定义 | 第27-28页 |
| 3.3.3 灰度共生矩阵特征值的选取 | 第28-29页 |
| 3.4 融合多特征和Meanshift算法的障碍物识别方法 | 第29-32页 |
| 3.4.1 算法描述 | 第29-30页 |
| 3.4.2 Otsu算法 | 第30-31页 |
| 3.4.3 改进的中值滤波 | 第31-32页 |
| 3.4.4 Meanshift算法 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 4.基于纹理特征和SVM的草地内部边界线识别 | 第33-39页 |
| 4.1 纹理特征矩阵的计算 | 第33-35页 |
| 4.2 基于SVM和纹理特征的草地内部图像分割 | 第35-37页 |
| 4.3 基于二值图像的草地内部边界线提取 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 5.实验环境与结果分析 | 第39-53页 |
| 5.1 实验环境 | 第39-40页 |
| 5.2 结果分析 | 第40-51页 |
| 5.2.1 草地样本与障碍物分类 | 第40-41页 |
| 5.2.2 障碍物识别结果 | 第41-45页 |
| 5.2.3 草地内部分界线识别结果 | 第45-51页 |
| 5.3 本章小结 | 第51-53页 |
| 6.总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录：攻读学位期间发表的学术论文及参与项目 | 第58-59页 |
| 致谢 | 第59页 |