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

田间杂草多光谱图像识别技术与方法研究

摘要第1-7页
ABSTRACT第7-12页
第一章 绪论第12-21页
   ·课题的研究目的与意义第12-13页
   ·国内外研究现状及存在的问题第13-16页
     ·计算机图像识别法第14-15页
     ·光谱分析法第15-16页
     ·主要存在问题第16页
   ·研究内容第16-17页
   ·研究方法与技术路线第17-18页
   ·具体研究方案第18-20页
   ·论文组织结构第20-21页
第二章 试验装置及图像获取第21-28页
   ·多光谱视觉杂草识别的理论基础第21-22页
     ·绿色植物光谱特性第21-22页
     ·多光谱视觉技术特点第22页
   ·田间图像获取装置第22-25页
     ·移动小车第23页
     ·多光谱视觉系统第23-24页
     ·便携式移动计算机第24页
     ·电源装置第24-25页
   ·图像获取第25-27页
     ·田间杂草及特性第25页
     ·图像获取方法第25-27页
   ·本章小结第27-28页
第三章 杂草与作物图像处理第28-37页
   ·背景土壤的分割第28-33页
     ·土壤和植物特征分析第28-29页
     ·分割方法第29-31页
     ·分割结果及分析第31-33页
   ·杂草叶片的获取第33-35页
     ·数学形态学处理第33页
     ·植物茎杆的消除第33-34页
     ·粘连和交叠叶片的分离第34-35页
   ·分割图像的后续处理第35-36页
     ·区域标记算法第35-36页
     ·轮廓提取与轮廓跟踪第36页
   ·本章小结第36-37页
第四章 杂草与作物特征提取第37-46页
   ·形状特征提取第37-40页
   ·纹理特征提取第40-42页
   ·分形维数特征提取第42-44页
     ·分形理论理论第42-43页
     ·分形维数的提取第43-44页
   ·本章小结第44-46页
第五章 玉米杂草识别方法第46-67页
   ·基于 C4.5 算法的多特征组合杂草识别第46-50页
     ·C4.5 算法原理第46-47页
     ·多特征杂草识别模型及方法第47-49页
     ·识别结果与分析第49-50页
   ·基于 SVM-DS 的多特征融合识别方法第50-60页
     ·多特征信息融合第50页
     ·支持向量机(SVM)理论第50-53页
     ·DS 证据理论第53-56页
     ·基于矩阵分析的 DS 合成算法第56-57页
     ·SVM-DS 杂草识别模型第57-58页
     ·识别试验结果与分析第58-60页
   ·基于 PCA 和 SVM 的杂草识别第60-64页
     ·PCA 的原理第60-61页
     ·特征降维第61-63页
     ·杂草识别模型及方法第63页
     ·试验结果及结论第63-64页
   ·算法对比与分析第64-66页
   ·本章小结第66-67页
第六章 结论与展望第67-69页
   ·结论第67-68页
   ·展望第68-69页
参考文献第69-73页
致谢第73-74页
作者简介第74页

论文共74页,点击 下载论文
上一篇:天名精内酯酮在植物体中内吸传导方式研究
下一篇:6种苦豆子生物碱单体及其不同组合的杀蚜活性研究