摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第1章 绪论 | 第11-19页 |
1.1 研究目的和意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-16页 |
1.2.1 国外研究现状 | 第13-14页 |
1.2.2 国内研究现状 | 第14-15页 |
1.2.3 存在的问题 | 第15-16页 |
1.3 研究内容 | 第16页 |
1.4 研究方法及技术路线 | 第16-18页 |
1.4.1 研究方法 | 第16页 |
1.4.2 技术路线 | 第16-17页 |
1.4.3 研究方案 | 第17-18页 |
1.5 论文组织结构 | 第18-19页 |
第2章 田间猕猴桃图像信息获取 | 第19-23页 |
2.1 计算机视觉理论 | 第19页 |
2.2 猕猴桃识别的视觉系统组成 | 第19-20页 |
2.2.1 硬件构成 | 第20页 |
2.2.2 软件实现 | 第20页 |
2.3 影响视觉系统识别的因素分析 | 第20-22页 |
2.3.1 猕猴桃的种植方式 | 第20-21页 |
2.3.2 影响识别效果的因素分析 | 第21-22页 |
2.4 猕猴桃图像采集方案 | 第22页 |
2.5 本章小结 | 第22-23页 |
第3章 猕猴桃果实图像分割方法 | 第23-37页 |
3.1 图像预处理 | 第23-24页 |
3.2 图像分割方法 | 第24-27页 |
3.3 猕猴桃在颜色通道中的分割 | 第27-32页 |
3.3.1 RGB 颜色模型 | 第27-28页 |
3.3.2 HSV 颜色模型 | 第28-30页 |
3.3.3 La*b*颜色模型 | 第30-32页 |
3.4 基于色差的果实分割方法 | 第32-34页 |
3.4.1 色差方法的选择 | 第32-33页 |
3.4.2 实验结果与分析 | 第33-34页 |
3.5 K-均值聚类法的果实分割 | 第34-36页 |
3.5.1 K-均值聚类法原理 | 第34-35页 |
3.5.2 K-均值聚类法的步骤 | 第35页 |
3.5.3 实验结果与分析 | 第35-36页 |
3.6 本章小结 | 第36-37页 |
第4章 基于 Adaboost 算法的猕猴桃果实分割方法 | 第37-49页 |
4.1 Adaboost 算法介绍 | 第37-39页 |
4.1.1 Boosting 算法原理 | 第37-38页 |
4.1.2 Adaboost 算法原理 | 第38-39页 |
4.2 Adaboost 算法实现过程 | 第39-42页 |
4.2.1 图像特征提取 | 第39-41页 |
4.2.2 弱分类器的构建 | 第41页 |
4.2.3 强分类器生成过程 | 第41-42页 |
4.3 精度验证 | 第42-44页 |
4.3.1 采样点精度验证 | 第42-43页 |
4.3.2 图像分割效果 | 第43-44页 |
4.4 残留物去除 | 第44-46页 |
4.4.1 面积阈值法 | 第44页 |
4.4.2 形态学运算 | 第44-45页 |
4.4.3 孔洞填充 | 第45-46页 |
4.5 实验结果与分析 | 第46-47页 |
4.5.1 不同光照条件下的果实分割效果分析 | 第46-47页 |
4.5.2 与传统果实分割结果的对比 | 第47页 |
4.6 本章小结 | 第47-49页 |
第5章 猕猴桃果实图像恢复 | 第49-57页 |
5.1 猕猴桃果实边缘提取 | 第49-51页 |
5.1.1 Sobel 边缘算子 | 第49-50页 |
5.1.2 Roberts 边缘算子 | 第50页 |
5.1.3 Prewitt 边缘算子 | 第50页 |
5.1.4 Canny 边缘检测算子 | 第50页 |
5.1.5 Log 边缘算子 | 第50页 |
5.1.6 边缘算子实验结果分析 | 第50-51页 |
5.2 基于最小二乘法的果实还原方法 | 第51-56页 |
5.2.1 轮廓提取 | 第51-52页 |
5.2.2 最小二乘法原理 | 第52-55页 |
5.2.3 实验结果与分析 | 第55-56页 |
5.3 本章小结 | 第56-57页 |
第6章 结论与展望 | 第57-59页 |
6.1 结论 | 第57-58页 |
6.2 展望 | 第58-59页 |
参考文献 | 第59-63页 |
致谢 | 第63-64页 |
作者简介 | 第64页 |