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

基于纹理和颜色特征的植物叶片识别方法研究

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

论文共72页,点击 下载论文
上一篇:基于CMMI模型的软件项目过程管理研究
下一篇:支持复用的软构件管理技术与系统研究