颗粒状农作物彩色色选图像处理算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 色选系统研究现状 | 第11-12页 |
| 1.2.2 图像压缩算法研究现状 | 第12-13页 |
| 1.2.3 深度学习在图像处理领域的研究现状 | 第13-14页 |
| 1.2.4 色选系统中特征参数检测算法研究现状 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-17页 |
| 第2章 彩色色选图像处理平台的设计 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 彩色色选系统整体方案设计 | 第17-19页 |
| 2.2.1 需求分析 | 第17页 |
| 2.2.2 DSP+FPGA平台总体硬件方案 | 第17-18页 |
| 2.2.3 CPU+GPU平台总体硬件方案 | 第18-19页 |
| 2.3 DSP+FPGA硬件平台的搭建 | 第19-27页 |
| 2.3.1 图像采集 | 第19-23页 |
| 2.3.2 图像显示 | 第23-27页 |
| 2.3.3 图像处理 | 第27页 |
| 2.4 CPU+GPU硬件平台的搭建 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 彩色色选图像压缩还原算法 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 图像压缩质量评价 | 第30-31页 |
| 3.3 图像小波变换的分解与重构 | 第31-37页 |
| 3.3.1 小波分解 | 第31-33页 |
| 3.3.2 小波分解后子图像灰度直方图 | 第33-34页 |
| 3.3.3 小波分解后子图像灰度数值分布 | 第34-35页 |
| 3.3.4 小波函数选取 | 第35-37页 |
| 3.4 基于小波变换的图像压缩编码算法 | 第37-40页 |
| 3.4.1 嵌入式零数小波编码 | 第37-38页 |
| 3.4.2 多级树集合分裂编码 | 第38-39页 |
| 3.4.3 仿真分析 | 第39-40页 |
| 3.5 小波变换图像压缩还原算法简化与测试 | 第40-42页 |
| 3.5.1 小波变换图像压缩还原算法简化 | 第40-41页 |
| 3.5.2 小波变换图像压缩还原算法测试 | 第41-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第4章 基于深度学习的彩色色选图像分类算法 | 第44-59页 |
| 4.1 引言 | 第44页 |
| 4.2 卷积神经网络基础理论 | 第44-47页 |
| 4.3 基于CNN的花生分类算法 | 第47-50页 |
| 4.3.1 数据集 | 第47-48页 |
| 4.3.2 卷积神经网络的构建 | 第48-50页 |
| 4.4 基于CNN的花生分类算法的优化 | 第50-57页 |
| 4.4.1 数据集优化 | 第50-52页 |
| 4.4.2 正则化减小过拟合 | 第52-53页 |
| 4.4.3 指数衰减法设置学习率 | 第53-54页 |
| 4.4.4 滑动平均模型加快训练收敛速度 | 第54-55页 |
| 4.4.5 神经网络结构的简化 | 第55-56页 |
| 4.4.6 综合优化方案 | 第56-57页 |
| 4.5 基于CNN的花生分类算法的优势 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 彩色色选的特征参数检测算法 | 第59-73页 |
| 5.1 引言 | 第59页 |
| 5.2 基于深度学习的超分辨重建 | 第59-65页 |
| 5.2.1 基于卷积神经网络的超分辨技术 | 第59-63页 |
| 5.2.2 基于亚像素卷积神经网络的超分辨技术 | 第63-65页 |
| 5.3 特征参数检测算法 | 第65-69页 |
| 5.3.1 颜色模型 | 第65-66页 |
| 5.3.2 图像滤波 | 第66-67页 |
| 5.3.3 形态学运算 | 第67-68页 |
| 5.3.4 边缘检测和破损区域检测 | 第68-69页 |
| 5.4 特征参数检测算法测试 | 第69-72页 |
| 5.4.1 DSP+FPGA平台测试 | 第69-70页 |
| 5.4.2 CPU+GPU平台测试 | 第70-72页 |
| 5.5 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间发表的学术论文及其他成果 | 第78-80页 |
| 致谢 | 第80页 |
