玉米大豆水稻图像识别方法研究
| 摘要 | 第11-12页 |
| Abstract | 第12-13页 |
| 1 绪论 | 第14-20页 |
| 1.1 研究目的及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 研究的主要内容及方法 | 第17-18页 |
| 1.3.1 研究对象 | 第17页 |
| 1.3.2 研究内容 | 第17-18页 |
| 1.3.3 技术路线 | 第18页 |
| 1.4 研究方法 | 第18-20页 |
| 2 图像识别相关技术 | 第20-24页 |
| 2.1 图像预处理相关技术 | 第20页 |
| 2.2 图像特征提取 | 第20-21页 |
| 2.3 模式识别技术研究 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 图像的获取及预处理 | 第24-34页 |
| 3.1 研究对象的形态特征 | 第24-25页 |
| 3.2 图像获取 | 第25-26页 |
| 3.3 图像预处理 | 第26-29页 |
| 3.3.1 非线性变换 | 第26-27页 |
| 3.3.2 中值滤波 | 第27-29页 |
| 3.4 Lab空间下的K-means聚类分割 | 第29-32页 |
| 3.4.1 Lab空间 | 第30页 |
| 3.4.2 K-means聚类分割 | 第30-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4 图像的特征提取 | 第34-47页 |
| 4.1 可视图像特征 | 第34-41页 |
| 4.1.1 颜色特征 | 第34-37页 |
| 4.1.2 形状特征 | 第37-39页 |
| 4.1.3 纹理特征 | 第39-41页 |
| 4.2 内在低维流形特征 | 第41-45页 |
| 4.3 本章小结 | 第45-47页 |
| 5 基于特征的识别方法 | 第47-63页 |
| 5.1 FCM聚类算法 | 第47-50页 |
| 5.2 BP神经网络 | 第50-55页 |
| 5.2.1 网络模型 | 第51-52页 |
| 5.2.2 初始值的选取 | 第52-53页 |
| 5.2.3 隐含层节点数的选择 | 第53页 |
| 5.2.4 激活函数的选取 | 第53-54页 |
| 5.2.5 BP神经网络识别实验 | 第54-55页 |
| 5.3 Elman神经网络 | 第55-59页 |
| 5.3.1 网络结构 | 第55-56页 |
| 5.3.2 网络的学习方法 | 第56-58页 |
| 5.3.3 Elman神经网络的识别实验 | 第58-59页 |
| 5.4 实验结果分析 | 第59-60页 |
| 5.5 本章小结 | 第60-63页 |
| 6 基于原始图像的识别方法 | 第63-73页 |
| 6.1 卷积神经网络 | 第63-64页 |
| 6.2 网络结构 | 第64-67页 |
| 6.3 优化网络参数 | 第67-70页 |
| 6.3.1 卷积层特征图个数 | 第68页 |
| 6.3.2 批训练样本数 | 第68-69页 |
| 6.3.3 迭代次数 | 第69-70页 |
| 6.4 实验结果分析 | 第70-71页 |
| 6.5 本章小结 | 第71-73页 |
| 7 结论与展望 | 第73-75页 |
| 7.1 结论 | 第73页 |
| 7.2 创新点 | 第73页 |
| 7.3 展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 个人简历 | 第83页 |
