首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于数字图像处理技术的苎麻叶片信息研究

摘要第1-6页
Abstract第6-8页
缩略词表第8-9页
目录第9-13页
第一章 绪论第13-23页
   ·研究的背景和意义第13-15页
   ·数字图像技术在农业领域的应用第15-20页
     ·监测农作物生长第15-16页
     ·诊断农作物营养元素第16-17页
     ·检测与识别农作物种子第17-18页
     ·实现农产品收获自动化第18-19页
     ·农产品检测与分级第19-20页
   ·文章的结构和研究的技术路线第20-23页
     ·文章的结构安排第20-22页
     ·研究的技术路线第22-23页
第二章 材料与方法第23-32页
   ·田间供试材料第23页
   ·盆栽试验设计第23-24页
   ·图像获取和处理的软、硬件第24-27页
     ·图像获取装置第24-25页
     ·数码相机第25-26页
     ·计算机硬件第26页
     ·图像处理软件第26-27页
   ·测定项目和方法第27-30页
     ·待测叶片样品的获取第27页
     ·叶片SPAD值测定第27-28页
     ·叶片图像的拍摄方法第28-29页
     ·叶片的全氮、全磷、全钾测定第29-30页
   ·数据分析软件第30-31页
   ·小结第31-32页
第三章 苎麻叶片图像的预处理和分割第32-45页
   ·图像的变换第32-34页
     ·图像的几何变换第32-33页
     ·彩色图像的灰度变换第33页
     ·图像的二值变换第33-34页
   ·图像的增强第34-37页
     ·邻域平均滤波第34-35页
     ·中值滤波第35-36页
     ·本研究的滤波方法第36-37页
   ·图像的分割第37-44页
     ·边缘检测第37-38页
     ·基于阈值的分割第38页
     ·本研究的分割方法第38-44页
   ·小结第44-45页
第四章 苎麻叶片图像的特征值提取第45-56页
   ·颜色模型第45-48页
     ·RGB颜色模型第45-47页
     ·HSI颜色模型第47页
     ·HSV颜色模型第47-48页
   ·颜色模型的转换第48-49页
     ·RGB模型转HSI模型第48-49页
     ·RGB模型转HSV模型第49页
   ·本研究提取的颜色特征第49-50页
   ·形态特征的提取第50-53页
     ·叶面积计算第50-51页
     ·叶周长计算第51页
     ·叶长与叶宽计算第51-53页
   ·特征值提取步骤第53-54页
   ·几何变换对特征值的影响第54-55页
   ·小结第55-56页
第五章 苎麻叶片信息与氮素含量的关系第56-70页
   ·不同施氮水平对苎麻叶片全氮、全磷、全钾营养含量的影响第56-57页
   ·不同施氮水平下苎麻叶片图像R、G、B颜色特征值的比较第57-58页
   ·苎麻叶片SPAD值与全氮营养含量的关系第58-61页
     ·苎麻叶片SPAD值与全氮含量的相关性第58-59页
     ·不同生育时期苎麻叶片全氮含量与SPAD值的回归模型第59-60页
     ·模型检验第60-61页
   ·苎麻叶片图像颜色特征值与全氮营养含量的关系第61-69页
     ·苎麻叶片图像颜色特征值与全氮含量的相关性第62页
     ·苎麻叶片全氮含量与颜色特征值的回归模型第62-63页
     ·不同生育时期苎麻叶片图像颜色特征值与全氮含量的相关性第63-65页
     ·不同生育时期苎麻叶片全氮含量与颜色特征的回归模型第65-68页
     ·模型检验第68-69页
   ·小结第69-70页
第六章 苎麻叶片图像处理系统的实现第70-82页
   ·系统开发环境和工具第70-71页
     ·MATLAB简介第70页
     ·MATLAB的优势第70-71页
   ·系统主要功能第71-72页
   ·系统界面第72-74页
   ·系统实现第74-78页
   ·系统操作第78-81页
   ·小结第81-82页
第七章 结论与展望第82-89页
   ·讨论与结论第82-87页
     ·讨论第82-85页
     ·结论第85-87页
   ·展望第87-89页
参考文献第89-93页
致谢第93-94页
在读期间发表的论文第94页

论文共94页,点击 下载论文
上一篇:基于Web的农业数据挖掘平台技术研究
下一篇:基于计算机视觉的水稻叶片信息研究