图像处理技术与支持向量机在烟叶分级中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 图像处理技术在烟叶分级方面的研究 | 第12-13页 |
| 1.2.2 烟叶智能分级方面的研究现状 | 第13-14页 |
| 1.3 烟叶质量及烟叶分级的标准 | 第14-15页 |
| 1.4 本课题研究的主要内容 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 烤烟烟叶图像的预处理 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 常用的图像分割技术 | 第17-20页 |
| 2.2.1 阈值分割法 | 第17-19页 |
| 2.2.2 最大类间方差法 | 第19-20页 |
| 2.3 彩色烟叶图像的平滑处理 | 第20-23页 |
| 2.3.1 均值滤波算法 | 第21页 |
| 2.3.2 中值滤波算法 | 第21-22页 |
| 2.3.3 改进的矢量中值滤波 | 第22-23页 |
| 2.4 基于数学形态学和LOG算子的烟叶边缘提取 | 第23-29页 |
| 2.4.1 传统边缘检测算子介绍 | 第24-27页 |
| 2.4.2 基于数学形态学和LOG算子的边缘检测 | 第27-28页 |
| 2.4.3 实验结果对比分析 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 烟叶图像质量特征参数的提取 | 第31-43页 |
| 3.1 图像采集设备 | 第31页 |
| 3.2 烟叶图像颜色特征提取 | 第31-35页 |
| 3.2.1 颜色分组的依据 | 第31页 |
| 3.2.2 色度学模型的选取 | 第31-33页 |
| 3.2.3 颜色特征的提取 | 第33-35页 |
| 3.3 烟叶图像形状特征提取 | 第35-39页 |
| 3.3.1 烟叶形状特征参数 | 第35-39页 |
| 3.4 烟叶纹理特征分析 | 第39-41页 |
| 3.4.1 烟叶图像纹理特征描述 | 第39-40页 |
| 3.4.2 纹理特征提取 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 支持向量机在烟叶等级识别中的应用 | 第43-53页 |
| 4.1 支持向量机(SVM)理论 | 第43-47页 |
| 4.1.1 线性可分支持向量机原理 | 第43-45页 |
| 4.1.2 线性不可分支持向量机原理 | 第45-46页 |
| 4.1.3 非线性支持向量机原理 | 第46-47页 |
| 4.2 基于多分类支持向量机的烟叶等级识别步骤 | 第47-48页 |
| 4.3 SVM分类模型的建立及结果分析 | 第48-50页 |
| 4.3.1 样本集的选取与数据预处理 | 第48-49页 |
| 4.3.2 仿真结果及对比分析 | 第49-50页 |
| 4.4 SVM与基于BP神经网络烟叶分级的比较 | 第50-52页 |
| 4.4.1 基于BP神经网络烟叶分级 | 第50-51页 |
| 4.4.2 SVM与BP分级结果对比分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 烤烟烟叶图像处理与质量等级识别软件系统 | 第53-57页 |
| 5.1 烟叶分级软件总体设计 | 第53页 |
| 5.2 软件功能介绍 | 第53-56页 |
| 5.2.1 文件处理 | 第53页 |
| 5.2.2 图像预处理 | 第53-54页 |
| 5.2.3 图像边缘检测 | 第54-55页 |
| 5.2.4 特征参数提取 | 第55-56页 |
| 5.2.5 烟叶等级识别 | 第56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 总结和展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录A 攻读硕士学位期间的研究成果 | 第65页 |
