| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·选题背景与研究目的及意义 | 第10-12页 |
| ·支持向量机方法的提出与发展 | 第12-13页 |
| ·杂草识别研究国内外概况 | 第13-15页 |
| ·本文的研究内容和结构安排 | 第15-18页 |
| ·论文的主要研究内容 | 第15-16页 |
| ·论文的结构安排 | 第16-18页 |
| 第2章 支持向量机 | 第18-33页 |
| ·机器学习 | 第18-20页 |
| ·统计学习理论 | 第20-23页 |
| ·经验风险最小化原则 | 第20页 |
| ·VC 维理论 | 第20-21页 |
| ·结构风险最小化原则 | 第21-23页 |
| ·支持向量机的标准算法 | 第23-27页 |
| ·线性情况 | 第23-25页 |
| ·线性不可分情况 | 第25-26页 |
| ·非线性情况 | 第26-27页 |
| ·支持向量机变形算法 | 第27-32页 |
| ·C-SVM 算法 | 第28-29页 |
| ·v-SVM 算法 | 第29页 |
| ·One-class SVM 算法 | 第29-31页 |
| ·LS-SVM 算法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 杂草图像的阈值分割与后续处理 | 第33-42页 |
| ·杂草图像的获取与预处理 | 第33页 |
| ·利用颜色特征获得杂草区域 | 第33-34页 |
| ·阈值分割及其改进算法 | 第34-38页 |
| ·最大类间方差法及其改进形式 | 第35-36页 |
| ·本文提出的Otsu 阈值分割方法 | 第36页 |
| ·实验结果分析 | 第36-38页 |
| ·形态学处理、孔洞填充和小面积消去综合处理获得杂草区域 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 杂草图像的特征选择与特征提取 | 第42-49页 |
| ·形状特征的提取 | 第42-43页 |
| ·利用纹理特征识别杂草 | 第43-48页 |
| ·共生矩阵纹理特征提取 | 第44-46页 |
| ·Gabor 小波提取纹理特征 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 基于支持向量机的杂草图像识别 | 第49-54页 |
| ·支持向量机方法的选择 | 第49页 |
| ·实验设计 | 第49-50页 |
| ·原始数据的预处理 | 第49-50页 |
| ·实验方法与环境 | 第50页 |
| ·实验结果与分析 | 第50-52页 |
| ·不同核函数下的性能比较 | 第50-51页 |
| ·组合核函数对分类器性能的改进 | 第51-52页 |
| ·实验结论 | 第52页 |
| ·本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62页 |