作物长势监控图像中绿色植物的识别方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9页 |
| ·国内外研究现状 | 第9-12页 |
| ·基于光谱因子的绿色识别方法 | 第10-11页 |
| ·基于人工智能的绿色识别方法 | 第11-12页 |
| ·研究内容与主要贡献 | 第12-13页 |
| ·研究内容 | 第12页 |
| ·主要贡献 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 第2章 基础知识 | 第14-20页 |
| ·颜色模型 | 第14-15页 |
| ·RGB颜色模型 | 第14页 |
| ·HSV颜色模型 | 第14-15页 |
| ·基于光谱因子的绿色识别方法 | 第15-16页 |
| ·灰度化因子 | 第15页 |
| ·阈值分割 | 第15-16页 |
| ·图像质量评价 | 第16-19页 |
| ·图像质量定义 | 第16-17页 |
| ·图像质量评价方法 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 大田作物长势图像的质量评价模型 | 第20-26页 |
| ·图像直方图的统计特征 | 第20-22页 |
| ·均值 | 第20-21页 |
| ·方差 | 第21页 |
| ·偏度 | 第21-22页 |
| ·峰度 | 第22页 |
| ·基于直方图统计特征的图像质量评价方法 | 第22-24页 |
| ·基于直方图的图像质量评价模型 | 第22-23页 |
| ·该模型存在的不足 | 第23-24页 |
| ·图像质量评价模型的建立 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第4章 环境自适应的绿色识别方法 | 第26-34页 |
| ·高质量图像的绿色识别方法 | 第26-29页 |
| ·灰度化因子的选择 | 第27页 |
| ·阈值分割 | 第27-29页 |
| ·低质量图像的绿色识别方法 | 第29-32页 |
| ·H、S分布 | 第29-31页 |
| ·基于HSV与RGB结合的绿色识别方法 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第5章 实验结果 | 第34-43页 |
| ·实验材料 | 第34页 |
| ·实验结果 | 第34-43页 |
| ·图像质量判定结果. | 第34页 |
| ·绿色识别结果 | 第34-43页 |
| 第6章 总结与展望 | 第43-44页 |
| ·研究工作总结 | 第43页 |
| ·未来工作展望 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 致谢 | 第47-48页 |
| 攻读硕士学位期间的科研成果 | 第48页 |
