基于GGCM植物病变区域的分割与识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 植物病害图像分割技术 | 第9-10页 |
| 1.2.2 植物病害图像特征提取技术 | 第10-11页 |
| 1.2.3 植物病害图像识别技术 | 第11-12页 |
| 1.3 研究的技术内容与关键技术 | 第12-13页 |
| 1.3.1 技术内容 | 第12页 |
| 1.3.2 关键技术 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-14页 |
| 第二章 算法基础 | 第14-24页 |
| 2.1 图像预处理 | 第14-16页 |
| 2.1.1 小波去噪 | 第14-15页 |
| 2.1.2 Otsu 法 | 第15-16页 |
| 2.1.3 形态学处理 | 第16页 |
| 2.2 颜色模型 | 第16-17页 |
| 2.3 灰度梯度共生矩阵 | 第17-20页 |
| 2.3.1 计算灰度梯度共生矩阵 | 第18页 |
| 2.3.2 统计特征 | 第18-20页 |
| 2.4 BP神经网络 | 第20-23页 |
| 2.4.1 BP神经网络工作原理 | 第20页 |
| 2.4.2 BP网络的算法 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 图像分割与识别的算法实现 | 第24-30页 |
| 3.1 预处理 | 第24-26页 |
| 3.1.1 颜色空间转换 | 第25页 |
| 3.1.2 滤波处理 | 第25页 |
| 3.1.3 图像分割 | 第25-26页 |
| 3.2 植物病害区域特征 | 第26-28页 |
| 3.2.1 颜色特征 | 第27页 |
| 3.2.2 纹理特征 | 第27-28页 |
| 3.2.3 形状特征 | 第28页 |
| 3.3 BP神经网络分类 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 实验与结果分析 | 第30-37页 |
| 4.1 图像的获取 | 第30-31页 |
| 4.2 实验设计 | 第31页 |
| 4.3 实验结果 | 第31-36页 |
| 4.3.1 图像分割结果 | 第31-32页 |
| 4.3.2 特征参数的选择 | 第32-34页 |
| 4.3.3 棉花病害的识别 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 总结与展望 | 第37-39页 |
| 5.1 总结 | 第37页 |
| 5.2 展望 | 第37-39页 |
| 参考文献 | 第39-41页 |
| 致谢 | 第41页 |
