摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-17页 |
1.1 课题研究背景和意义 | 第11-12页 |
1.2 国内外目标识别研究现状 | 第12-14页 |
1.2.1 国外目标识别研究现状 | 第12-13页 |
1.2.2 国内目标识别研究现状 | 第13-14页 |
1.3 课题主要问题与挑战 | 第14-15页 |
1.4 本文主要研究内容 | 第15-17页 |
第二章 青椒图像采集与预处理 | 第17-32页 |
2.1 图像采集与分析 | 第17-18页 |
2.1.1 图像采集 | 第17页 |
2.1.2 青椒图像特征分析 | 第17-18页 |
2.2 颜色空间概述 | 第18-23页 |
2.2.1 RGB色彩空间 | 第19-20页 |
2.2.2 Lab色彩空间 | 第20-21页 |
2.2.3 HSI颜色模型 | 第21-23页 |
2.3 抑制图像噪声 | 第23-31页 |
2.3.1 中值滤波 | 第24-26页 |
2.3.2 高斯滤波 | 第26-28页 |
2.3.3 双边滤波 | 第28-31页 |
2.4 本章小结 | 第31-32页 |
第三章 青椒图像分割方法研究 | 第32-43页 |
3.1 青椒图像一次分割 | 第32-35页 |
3.1.1 K-Means聚类原理 | 第32页 |
3.1.2 K-Means聚类分割 | 第32-35页 |
3.2 青椒图像二次分割 | 第35-38页 |
3.2.1 阈值分割概述 | 第35-37页 |
3.2.2 二次分割结果 | 第37-38页 |
3.3 图像后期处理 | 第38-42页 |
3.3.1 数学形态学处理 | 第38-40页 |
3.3.2 噪声去除 | 第40页 |
3.3.3 有效连通区域保留 | 第40-41页 |
3.3.4 处理结果分析 | 第41-42页 |
3.4 本章小结 | 第42-43页 |
第四章 青椒图像特征提取 | 第43-50页 |
4.1 形状特征获取 | 第43-45页 |
4.1.1 Hu不变矩概念 | 第43页 |
4.1.2 Hu不变矩提取图像特征 | 第43-45页 |
4.2 纹理特征获取 | 第45-48页 |
4.2.1 Tamura纹理特征 | 第45页 |
4.2.2 粗糙度 | 第45-46页 |
4.2.3 对比度 | 第46-47页 |
4.2.4 方向度 | 第47页 |
4.2.5 结果比较 | 第47-48页 |
4.3 数据归一化 | 第48-49页 |
4.4 本章小结 | 第49-50页 |
第五章 青椒目标识别及实验分析 | 第50-65页 |
5.1 最小二乘支持向量机简介 | 第50-54页 |
5.1.1 支持向量机简介 | 第50页 |
5.1.2 广义最优分类面 | 第50-51页 |
5.1.3 最小二乘支持向量机(LS-SVM)原理 | 第51-54页 |
5.2 粒子群算法 | 第54-57页 |
5.2.1 粒子群算法基本原理 | 第54页 |
5.2.2 改进粒子群算法优化LS-SVM参数 | 第54-57页 |
5.3 基于改进粒子群算法的最小二乘支持向量机的青椒识别算法流程 | 第57-58页 |
5.4 青椒图像目标识别试验 | 第58-63页 |
5.4.1 实验环境 | 第58页 |
5.4.2 图像预处理 | 第58-59页 |
5.4.3 形状和纹理特征提取 | 第59-60页 |
5.4.4 IPSO-LS-SVM的识别实验 | 第60-62页 |
5.4.5 测试实验 | 第62-63页 |
5.5 实验分析 | 第63-64页 |
5.5.1 图像分割及特征提取分析 | 第63页 |
5.5.2 训练实验及测试实验分析 | 第63-64页 |
5.6 本章小结 | 第64-65页 |
第六章 总结与展望 | 第65-67页 |
6.1 研究工作总结 | 第65-66页 |
6.2 后续工作展望 | 第66-67页 |
参考文献 | 第67-71页 |
致谢 | 第71-72页 |
攻读硕士期间完成的研究成果 | 第72页 |