基于纹理分析的茶青在线分类
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容及组织结构 | 第12-14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 茶青图像预处理的研究 | 第15-19页 |
| 2.1 灰度化 | 第15-16页 |
| 2.2 滤波去噪 | 第16-18页 |
| 2.2.1 中值滤波 | 第17页 |
| 2.2.2 均值滤波 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 3 茶青纹理特征提取方法的研究 | 第19-30页 |
| 3.1 纹理的定义及特征 | 第19页 |
| 3.2 纹理特征提取技术分析 | 第19-22页 |
| 3.2.1 结构法分析 | 第19-20页 |
| 3.2.2 模型法分析 | 第20页 |
| 3.2.3 频谱法分析 | 第20-21页 |
| 3.2.4 统计法分析 | 第21-22页 |
| 3.3 灰度共生矩阵的研究 | 第22-24页 |
| 3.3.1 灰度共生矩阵的定义 | 第22-23页 |
| 3.3.2 灰度共生矩阵的特征参数 | 第23-24页 |
| 3.4 基于灰度共生矩阵提取茶青纹理特征值 | 第24-29页 |
| 3.4.1 灰度共生矩阵构造参数的选取 | 第24-25页 |
| 3.4.2 实验结果与分析 | 第25-29页 |
| 3.5 本章小结 | 第29-30页 |
| 4 基于支持向量机的茶青分类研究 | 第30-46页 |
| 4.1 常用的分类方法 | 第30-31页 |
| 4.2 基于支持向量机的分类 | 第31-38页 |
| 4.2.1 统计学习理论的研究 | 第31-33页 |
| 4.2.2 线性可分 | 第33-34页 |
| 4.2.3 线性不可分 | 第34-36页 |
| 4.2.4 核函数 | 第36-38页 |
| 4.3 基于LS-SVM的茶青分类研究 | 第38-43页 |
| 4.3.1 LS-SVM分类器设计 | 第39-40页 |
| 4.3.2 LS-SVM分类器实现 | 第40-42页 |
| 4.3.3 LS-SVM分类器分类流程 | 第42-43页 |
| 4.4 基于LS-SVM的茶青分类实验结果与分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 基于纹理分析的茶青在线分类设计与实验分析 | 第46-53页 |
| 5.1 实验环境 | 第46页 |
| 5.2 系统的架构设计 | 第46-47页 |
| 5.3 系统功能模块设计 | 第47-50页 |
| 5.4 实验结果与分析 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 本文总结 | 第53-54页 |
| 6.2 工作展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 攻读学位期间主要研究成果 | 第61-62页 |
| 致谢 | 第62页 |
