基于图像技术的作物水分检测研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 研究现状 | 第9-13页 |
| 1.3.1 基于图像技术的作物水分检测方法 | 第10-12页 |
| 1.3.2 基于图像技术的作物水分检测仪器或系统 | 第12-13页 |
| 1.4 本文研究内容 | 第13-15页 |
| 2 作物图像处理研究 | 第15-25页 |
| 2.1 光照增强处理 | 第15-19页 |
| 2.1.1 同态滤波增强算法 | 第15-16页 |
| 2.1.2 Retinex增强算法 | 第16-18页 |
| 2.1.2.1 单尺度Retinex算法 | 第17页 |
| 2.1.2.2 多尺度Retinex算法 | 第17-18页 |
| 2.1.3 同态滤波-Retinex组合增强算法 | 第18页 |
| 2.1.4 光照增强算法结果对比 | 第18-19页 |
| 2.2 图像分割 | 第19-24页 |
| 2.2.1 k-means聚类分割法 | 第19-21页 |
| 2.2.2 二维最大信息熵法 | 第21-23页 |
| 2.2.3 基于颜色特征的图像分割法 | 第23-24页 |
| 2.2.4 图像分割结果对比 | 第24页 |
| 2.3 本章小结 | 第24-25页 |
| 3 含水量检测模型构建 | 第25-36页 |
| 3.1 作物含水量图像特征提取 | 第25-29页 |
| 3.1.1 颜色模型 | 第25-27页 |
| 3.1.2 颜色特征提取 | 第27-28页 |
| 3.1.3 纹理特征提取 | 第28-29页 |
| 3.2 含水量检测模型构建 | 第29-35页 |
| 3.2.1 主成分分析 | 第29-31页 |
| 3.2.2 回归建模 | 第31-32页 |
| 3.2.3 偏最小二乘法 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 作物含水量检测应用 | 第36-47页 |
| 4.1 基于移动互联网模式的玉米叶片含水量检测 | 第36-39页 |
| 4.1.1 系统架构设计 | 第36页 |
| 4.1.2 检测结果及分析 | 第36-39页 |
| 4.1.2.1 主成分分析和回归模型 | 第37-38页 |
| 4.1.2.2 诊断模型测试 | 第38页 |
| 4.1.2.3 检测系统测试 | 第38-39页 |
| 4.2 基于数码相机的小麦冠层含水量检测 | 第39-46页 |
| 4.2.1 试验设计 | 第39-40页 |
| 4.2.2 检测结果及分析 | 第40-46页 |
| 4.2.2.1 特征提取和筛选 | 第40-41页 |
| 4.2.2.2 显著性特征 | 第41-42页 |
| 4.2.2.3 含水量检测模型 | 第42-44页 |
| 4.2.2.4 模型测试 | 第44-46页 |
| 4.3 本章小结 | 第46-47页 |
| 5 总结与展望 | 第47-50页 |
| 5.1 工作总结 | 第47-48页 |
| 5.2 研究展望 | 第48-50页 |
| 参考文献 | 第50-57页 |
| 致谢 | 第57-58页 |
| 个人简介 | 第58-59页 |
| 在读期间的学术活动与科研成果 | 第59-60页 |
