摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第12-19页 |
1.1 研究背景及意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-16页 |
1.2.1 国外研究现状 | 第13-14页 |
1.2.2 国内研究现状 | 第14-16页 |
1.3 本文的主要工作 | 第16-17页 |
1.4 本文的组织结构 | 第17-18页 |
1.5 本章小结 | 第18-19页 |
第2章 植物叶片图像处理和识别的相关技术 | 第19-33页 |
2.1 植物叶片图像的预处理技术 | 第19-26页 |
2.1.1 植物叶片图像的灰度化 | 第19页 |
2.1.2 植物叶片图像的降噪 | 第19-23页 |
2.1.3 植物叶片图像的阈值分割 | 第23-24页 |
2.1.4 植物叶片图像的形态学处理 | 第24-26页 |
2.1.5 植物叶片图像的轮廓提取 | 第26页 |
2.2 植物叶片图像的特征提取 | 第26-32页 |
2.2.1 叶片图像的几何形状特征提取 | 第26-29页 |
2.2.2 基于Pseudo-Zernike矩的不变矩特征 | 第29-31页 |
2.2.3 分形维特征 | 第31-32页 |
2.3 本章小结 | 第32-33页 |
第3章 一种基于灰度-方向共生矩阵的叶片纹理特征提取算法 | 第33-41页 |
3.1 简介 | 第33页 |
3.2 灰度-方向共生矩阵(Gray-Direction Co-occurrence Matrix)的提出 | 第33-35页 |
3.3 提取叶片图像的灰度-方向共生矩阵 | 第35-37页 |
3.4 提取基于灰度-方向共生矩阵的纹理特征 | 第37-40页 |
3.5 本章小结 | 第40-41页 |
第4章 一种改进的叶片颜色特征提取算法 | 第41-48页 |
4.1 简介 | 第41页 |
4.2 基于HSI中心矩的颜色特征提取算法 | 第41-43页 |
4.3 改进的颜色特征提取算法 | 第43-47页 |
4.4 本章小结 | 第47-48页 |
第5章 基于K-means和SVM的叶片分类模型 | 第48-54页 |
5.1 简介 | 第48页 |
5.2 K-means(K-均值) | 第48-49页 |
5.3 SVM(支持向量机) | 第49-50页 |
5.4 多分类SVM | 第50-51页 |
5.5 K-means与SVM的融合 | 第51-52页 |
5.6 参数及核函数的确定 | 第52-53页 |
5.7 本章小结 | 第53-54页 |
第6章 系统设计与实现 | 第54-60页 |
6.1 简介 | 第54页 |
6.2 识别系统的设计 | 第54-55页 |
6.3 植物叶片图像库的建立 | 第55-56页 |
6.4 识别系统的实现 | 第56-58页 |
6.4.1 叶片图像预处理 | 第56-57页 |
6.4.2 叶片图像特征提取及特征库的建立 | 第57页 |
6.4.3 分类器训练 | 第57-58页 |
6.5 用户使用说明 | 第58页 |
6.6 本章小结 | 第58-60页 |
第7章 实验与结果分析 | 第60-65页 |
7.1 实验的设计 | 第60-62页 |
7.2 实验结果的分析 | 第62-64页 |
7.3 本章小结 | 第64-65页 |
第8章 总结与展望 | 第65-67页 |
8.1 总结 | 第65-66页 |
8.2 进一步工作的展望 | 第66-67页 |
参考文献 | 第67-72页 |
致谢 | 第72页 |