| 中文摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 机器视觉概述与国内外研究现状 | 第10-13页 |
| 1.2.1 机器视觉概述 | 第10-11页 |
| 1.2.2 机器视觉技术国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容及技术路线 | 第13-15页 |
| 2 小麦叶片图像采集与含水量检测系统设计 | 第15-19页 |
| 2.1 叶片图像采集系统设计 | 第15页 |
| 2.2 含水量检测系统设计 | 第15-18页 |
| 2.2.1 供试作物 | 第15-16页 |
| 2.2.2 采集系统仪器设备 | 第16-17页 |
| 2.2.3 实验方案 | 第17-18页 |
| 2.3 小结 | 第18-19页 |
| 3 叶片图像处理 | 第19-32页 |
| 3.1 图像处理技术 | 第19页 |
| 3.2 图像处理的目的与主要方法 | 第19-20页 |
| 3.2.1 图像处理的目的 | 第19-20页 |
| 3.2.2 图像处理的主要方法 | 第20页 |
| 3.3 图像灰度化 | 第20-22页 |
| 3.4 图像增强 | 第22-28页 |
| 3.4.1 全局直方图均衡化 | 第22-23页 |
| 3.4.2 同态滤波 | 第23-25页 |
| 3.4.3 Retinex增强 | 第25-27页 |
| 3.4.4 图像增强结果分析 | 第27-28页 |
| 3.5 图像分割 | 第28-31页 |
| 3.6 小结 | 第31-32页 |
| 4 小麦叶片图像特征提取 | 第32-42页 |
| 4.1 常用颜色模型 | 第32-36页 |
| 4.1.1 RGB颜色空间模型 | 第32-33页 |
| 4.1.2 HSI颜色空间模型 | 第33-36页 |
| 4.2 颜色特征提取 | 第36-38页 |
| 4.3 纹理特征值提取算法 | 第38-41页 |
| 4.4 小结 | 第41-42页 |
| 5 小麦叶片含水量模型的建立 | 第42-57页 |
| 5.1 主成分分析(PrincipalComponentAnalysis) | 第42-48页 |
| 5.1.1 基本思想 | 第42-43页 |
| 5.1.2 主成分分析的基本原理 | 第43-44页 |
| 5.1.3 主成分分析的基本步骤 | 第44-46页 |
| 5.1.4 基于主成分分析特征值提取 | 第46-48页 |
| 5.2 建立BP神经网络预测模型 | 第48-56页 |
| 5.2.1 BP神经网络概述 | 第48-49页 |
| 5.2.2 BP神经网络原理及结构 | 第49-51页 |
| 5.2.3 BP神经网络的训练过程 | 第51-53页 |
| 5.2.4 BP与PCA-BP神经网络预测模型的建立 | 第53-56页 |
| 5.3 小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间成果 | 第65页 |