| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 杂草识别的研究目的与意义 | 第9-10页 |
| 1.2 杂草识别的国内外研究现状 | 第10-16页 |
| 1.2.1 背景分割技术研究现状 | 第11-12页 |
| 1.2.2 杂草识别技术研究现状 | 第12-16页 |
| 1.3 杂草识别研究存在的问题 | 第16页 |
| 1.4 课题研究内容和技术路线 | 第16-19页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 技术路线 | 第17-19页 |
| 第二章 机器视觉系统及支持向量机理论介绍 | 第19-31页 |
| 2.1 机器视觉系统 | 第19-21页 |
| 2.1.1 实验系统硬件 | 第19页 |
| 2.1.2 图像处理软件 | 第19-21页 |
| 2.2 图像的采集 | 第21-22页 |
| 2.3 SVM的基本思想 | 第22-26页 |
| 2.3.1 最优分类面 | 第23-24页 |
| 2.3.2 广义的最优分类面 | 第24-26页 |
| 2.3.3 核函数 | 第26页 |
| 2.4 半监督支持向量机 | 第26-28页 |
| 2.4.1 半监督学习思想 | 第26-27页 |
| 2.4.2 直推式支持向量机 | 第27-28页 |
| 2.5 基于聚类和半监督支持向量机的变量学习算法 | 第28-30页 |
| 2.5.1 算法设计思想 | 第28-29页 |
| 2.5.2 K-MEANS聚类算法 | 第29-30页 |
| 2.5.3 算法实现步骤 | 第30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 绿色植物与土壤背景图像分割 | 第31-65页 |
| 3.1 引言 | 第31页 |
| 3.2 基于邻域灰度直方图的背景分割方法 | 第31-43页 |
| 3.2.1 彩色特征模型的选择 | 第31-33页 |
| 3.2.2 二维直方图阈值分割法 | 第33-34页 |
| 3.2.3 邻域灰度直方图特征 | 第34-35页 |
| 3.2.4 特征提取与统计 | 第35-37页 |
| 3.2.5 支持向量机模型的选择 | 第37页 |
| 3.2.6 图像分割质量的评价 | 第37-40页 |
| 3.2.7 邻域窗口模型的选择 | 第40-43页 |
| 3.3 基于聚类和半监督支持向量机的背景分割方法 | 第43-64页 |
| 3.3.1 不同环境颜色特征分析 | 第43-45页 |
| 3.3.2 基于半监督支持向量机的分类实验 | 第45-50页 |
| 3.3.3 基于聚类算法的无标签训练样本自动提取方法 | 第50-55页 |
| 3.3.4 不同地块验证实验 | 第55-58页 |
| 3.3.5 不同光照验证实验 | 第58-64页 |
| 3.4 本章小结 | 第64-65页 |
| 第四章 基于多尺度形状特征的杂草识别方法 | 第65-89页 |
| 4.1 引言 | 第65页 |
| 4.2 多尺度圆环形状特征提取 | 第65-70页 |
| 4.2.1 特征提取步骤 | 第65-67页 |
| 4.2.2 轮廓提取 | 第67页 |
| 4.2.3 重心坐标提取 | 第67-69页 |
| 4.2.4 多尺度圆环像素统计 | 第69页 |
| 4.2.5 二次曲线拟合 | 第69-70页 |
| 4.3 米字分块形状特征提取 | 第70-71页 |
| 4.3.1 最小包围矩形 | 第70页 |
| 4.3.2 米字分块形状特征计算 | 第70-71页 |
| 4.4 形状特征比较 | 第71-74页 |
| 4.5 实验数据统计 | 第74-76页 |
| 4.6 基于支持向量机的杂草识别实验 | 第76-78页 |
| 4.7 玉米田室外验证实验 | 第78-87页 |
| 4.8 本章小结 | 第87-89页 |
| 第五章 结论与展望 | 第89-91页 |
| 5.1 工作总结 | 第89页 |
| 5.2 主要创新点 | 第89-90页 |
| 5.3 对未来工作的建议 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 附录A 形状特征提取图像 | 第95-101页 |
| 致谢 | 第101-103页 |
| 攻读硕士学位期间发表的学术论文 | 第103页 |