基于聚类算法的烟叶颜色空间分布建模研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 烟叶异物识别方法的研究现状 | 第10-13页 |
| 1.2.2 K-均值聚类算法的研究现状 | 第13-14页 |
| 1.3 论文的研究内容与章节安排 | 第14-17页 |
| 第二章 图像分割 | 第17-32页 |
| 2.1 常用的图像分割方法 | 第17-22页 |
| 2.1.1 基于阈值的分割算法 | 第17-20页 |
| 2.1.2 基于区域的分割算法 | 第20-21页 |
| 2.1.3 结合特定理论的图像分割算法 | 第21-22页 |
| 2.2 基于线阵CCD相机成像特点的背景去除算法 | 第22-31页 |
| 2.2.1 高速线阵CCD相机成像特点 | 第22-24页 |
| 2.2.2 本文的背景去除算法原理 | 第24-26页 |
| 2.2.3 试验结果分析 | 第26-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 聚类分析及K-均值聚类算法 | 第32-50页 |
| 3.1 聚类分析 | 第32-34页 |
| 3.1.1 聚类及聚类过程 | 第32-33页 |
| 3.1.2 相似性度量 | 第33页 |
| 3.1.3 聚类算法的分类 | 第33-34页 |
| 3.2 传统K-均值聚类算法 | 第34-36页 |
| 3.2.1 传统K-均值聚类算法的基本理论 | 第34-35页 |
| 3.2.2 传统K-均值聚类算法的步骤 | 第35页 |
| 3.2.3 传统K-均值聚类算法的优缺点 | 第35-36页 |
| 3.3 改进的K-均值聚类算法 | 第36-49页 |
| 3.3.1 网格划分 | 第36-39页 |
| 3.3.2 正态分布原理 | 第39-40页 |
| 3.3.3 分层K-均值聚类 | 第40-42页 |
| 3.3.4 试验结果分析 | 第42-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 烟叶颜色空间分布建模 | 第50-66页 |
| 4.1 RGB颜色空间 | 第50-51页 |
| 4.2 常见的子空间类型及降维方法 | 第51-54页 |
| 4.2.1 子空间类型 | 第51-52页 |
| 4.2.2 常见的数据降维方法 | 第52-54页 |
| 4.3 烟叶颜色空间分布建模方法 | 第54-60页 |
| 4.3.1 划分子空间 | 第54-55页 |
| 4.3.2 子空间内降维 | 第55-56页 |
| 4.3.3 子空间分层聚类 | 第56-59页 |
| 4.3.4 试验结果分析 | 第59-60页 |
| 4.4 模型验证 | 第60-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 系统平台设计及实现 | 第66-71页 |
| 5.1 软件平台介绍 | 第66-67页 |
| 5.1.1 平台搭建 | 第66页 |
| 5.1.2 OpenCV简介 | 第66-67页 |
| 5.2 建模系统模块设计 | 第67页 |
| 5.3 系统界面设计及功能实现 | 第67-70页 |
| 5.3.1 系统界面设计 | 第67-68页 |
| 5.3.2 系统效果展示 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 研究总结 | 第71-72页 |
| 6.2 未来展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 在学期间研究成果及发表的学术论文 | 第78页 |
