基于DSP的玉米苗期杂草识别方法的研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究的目的和意义 | 第9-10页 |
| ·国内外的研究现状 | 第10-14页 |
| ·图像识别硬件系统的研究现状 | 第10-11页 |
| ·杂草识别算法的研究现状 | 第11-14页 |
| ·研究内容、拟解决的关键问题 | 第14-16页 |
| ·研究内容 | 第14-15页 |
| ·技术路线 | 第15-16页 |
| 第二章 DSP硬件平台和软件系统 | 第16-24页 |
| ·DSP的概述 | 第16-17页 |
| ·DSP硬件平台 | 第17-19页 |
| ·系统硬件平台总体结构 | 第17页 |
| ·SEED-VPM642的外部存储器 | 第17-18页 |
| ·SEED-VPM642的视频端口 | 第18页 |
| ·CCD摄像头和车载液晶显示屏 | 第18-19页 |
| ·DSP图像处理的软件系统 | 第19-23页 |
| ·集成开发环境CCS简介 | 第19页 |
| ·系统软件的模块化设计 | 第19-20页 |
| ·系统初始化模块 | 第20-21页 |
| ·图像采集和存储模块 | 第21-22页 |
| ·图像处理模块 | 第22-23页 |
| ·图像显示模块 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第三章 图像颜色特征的分析与图像的分割 | 第24-39页 |
| ·颜色空间 | 第24-26页 |
| ·颜色的测定与分析 | 第26-31页 |
| ·感兴趣区域的选取方法 | 第26-27页 |
| ·感兴趣区域数据存储方法和区域内的颜色计算 | 第27-28页 |
| ·感兴趣区域颜色的分析 | 第28-30页 |
| ·试验结果分析 | 第30-31页 |
| ·图像的预处理 | 第31-33页 |
| ·图像的灰度化 | 第31-32页 |
| ·图像的平滑 | 第32-33页 |
| ·图像的阈值分割 | 第33-36页 |
| ·直方图双峰法 | 第33-34页 |
| ·自适应阈值分割法 | 第34-35页 |
| ·分割结果与阈值分割方法的选取 | 第35-36页 |
| ·二值图像的形态学处理 | 第36-38页 |
| ·数学形态学算法 | 第36-37页 |
| ·形态滤波 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 形状特征的提取 | 第39-51页 |
| ·连通区域标记 | 第39-40页 |
| ·灰度图求形状特征 | 第40-42页 |
| ·区域面积A的计算 | 第40页 |
| ·质心和不变矩的计算 | 第40-42页 |
| ·轮廓跟踪 | 第42-44页 |
| ·轮廓图求形状特征 | 第44-47页 |
| ·周长P的提取 | 第44页 |
| ·叶片长L、宽W的提取 | 第44-47页 |
| ·宽长比r的计算 | 第47页 |
| ·矩形度R的计算 | 第47页 |
| ·圆形度 C的计算 | 第47页 |
| ·形状特征参数的比较与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 神经网络分类器的设计与模型验证 | 第51-60页 |
| ·BP神经网络原理 | 第51-54页 |
| ·BP神经元模型 | 第51-52页 |
| ·BP网络正向传播 | 第52页 |
| ·反向传播 | 第52-54页 |
| ·BP神经网络训练算法设计 | 第54-55页 |
| ·BP神经网络样本的训练实验 | 第55-59页 |
| ·BP神经网络的输入和输出 | 第55-56页 |
| ·隐藏层节点数、学习速率和势态因子的确定 | 第56-59页 |
| ·模型的验证 | 第59页 |
| ·本章小结 | 第59-60页 |
| 第六章 结论与展望 | 第60-63页 |
| ·总结 | 第60-61页 |
| ·展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69-73页 |
