基于特征优化和多特征融合的杂草识别方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-27页 |
| ·杂草识别研究的背景与意义 | 第11-15页 |
| ·杂草识别与精确农业 | 第11-12页 |
| ·杂草识别与机器视觉 | 第12-15页 |
| ·杂草识别研究现状及存在的问题 | 第15-22页 |
| ·颜色特征识别 | 第16-17页 |
| ·形态特征识别 | 第17-19页 |
| ·纹理特征识别 | 第19-21页 |
| ·多特征综合识别 | 第21-22页 |
| ·杂草识别智能化 | 第22-23页 |
| ·嵌入式杂草防除系统 | 第23-24页 |
| ·研究内容与创新点 | 第24-27页 |
| ·本研究的主要内容 | 第24-25页 |
| ·本研究的创新点 | 第25-27页 |
| 第二章 杂草与作物图像处理 | 第27-37页 |
| ·引言 | 第27页 |
| ·颜色模型 | 第27-30页 |
| ·RGB颜色模型 | 第28-29页 |
| ·HIS颜色模型 | 第29-30页 |
| ·图像预处理 | 第30-32页 |
| ·图像增强 | 第30页 |
| ·图像灰度化 | 第30-31页 |
| ·图像滤波 | 第31-32页 |
| ·图像分割 | 第32-36页 |
| ·轻度交叠叶片分割 | 第34页 |
| ·深度交叠叶片分割 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 杂草与作物特征提取 | 第37-49页 |
| ·引言 | 第37-38页 |
| ·颜色特征提取 | 第38-40页 |
| ·形态特征提取 | 第40-44页 |
| ·形状特征提取 | 第41-43页 |
| ·Hu矩特征提取 | 第43-44页 |
| ·纹理特征提取 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 蚁群优化的杂草特征选择与SVM识别 | 第49-69页 |
| ·引言 | 第49页 |
| ·特征选择与分类器 | 第49-54页 |
| ·特征选择方法 | 第50-51页 |
| ·SVM分类器 | 第51-53页 |
| ·特征选择与分类器的关系 | 第53-54页 |
| ·蚁群优化算法 | 第54-62页 |
| ·组合优化理论 | 第54-56页 |
| ·群智能算法 | 第56-57页 |
| ·ACO算法原理 | 第57-62页 |
| ·基于ACO的形态特征选择 | 第62-66页 |
| ·评价函数定义 | 第62-63页 |
| ·实验及结果分析 | 第63-66页 |
| ·不同杂草形状特征优化研究 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 基于D-S理论的多特征融合杂草识别 | 第69-83页 |
| ·引言 | 第69页 |
| ·信息融合 | 第69-71页 |
| ·D-S证据理论 | 第71-79页 |
| ·D-S理论基本概念 | 第72-74页 |
| ·Dempster融合规则 | 第74-77页 |
| ·基本信度分配构造 | 第77-79页 |
| ·证据理论决策规则 | 第79页 |
| ·杂草识别模型 | 第79-80页 |
| ·杂草识别实验 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 第六章 杂草识别算法实现 | 第83-99页 |
| ·引言 | 第83页 |
| ·嵌入式系统概述 | 第83-84页 |
| ·基于DSP的算法实现 | 第84-91页 |
| ·硬件平台及开发环境 | 第85-87页 |
| ·代码移植与软件优化 | 第87-90页 |
| ·PC平台性能比较 | 第90-91页 |
| ·耗时算法的硬件实现 | 第91-98页 |
| ·算法分析 | 第91-92页 |
| ·基于FPGA的中值滤波 | 第92-98页 |
| ·本章小结 | 第98-99页 |
| 第七章 总结与展望 | 第99-101页 |
| ·结论 | 第99-100页 |
| ·研究展望 | 第100-101页 |
| 致谢 | 第101-103页 |
| 参考文献 | 第103-113页 |
| 攻读博士学位期间完成的论文 | 第113页 |
