基于BP神经网络的红松雌雄花的分类识别
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·研究背景介绍 | 第8页 |
| ·研究意义及现状 | 第8-10页 |
| ·预测红松结实量的意义 | 第8-9页 |
| ·红松结实量预测方法的研究现状 | 第9-10页 |
| ·数字图像处理技术在林业中的应用 | 第10页 |
| ·研究内容和技术路线 | 第10-11页 |
| ·创新点与文章结构 | 第11-12页 |
| ·本章小结 | 第12-13页 |
| 2 数字图像的预处理 | 第13-21页 |
| ·图像平滑 | 第13-16页 |
| ·邻域平均法 | 第13-15页 |
| ·中值滤波法 | 第15-16页 |
| ·图像增强 | 第16-17页 |
| ·区域分割 | 第17-20页 |
| ·阈值分割法 | 第17-18页 |
| ·区域生长法 | 第18-19页 |
| ·区域分离与合并法 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 3 红松雌雄花的边缘提取 | 第21-29页 |
| ·边缘分割 | 第21-25页 |
| ·边缘提取中的经典算子 | 第21-23页 |
| ·应用蚁群算法实现轮廓提取 | 第23-25页 |
| ·改进的GVF Snake模型的分割算法 | 第25-28页 |
| ·GVF Snake模型算法原理 | 第25-27页 |
| ·改进的GVF Snake模型 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 4 红松雌雄花的特征分析及提取 | 第29-36页 |
| ·松雌雄花轮廓的特征性分析 | 第29页 |
| ·图像的处理 | 第29-31页 |
| ·灰度处理 | 第29-30页 |
| ·二值化处理 | 第30页 |
| ·边缘检测 | 第30-31页 |
| ·红松球果雌雄花形状特征提取 | 第31-33页 |
| ·周长特征值的提取 | 第31页 |
| ·面积特征值的提取 | 第31-32页 |
| ·宽长比特征值的提取 | 第32-33页 |
| ·圆形度特征值的提取 | 第33页 |
| ·伸长度特征值的提取 | 第33页 |
| ·致密度特征值的提取 | 第33页 |
| ·红松雌雄花特征空间的优化 | 第33-34页 |
| ·特征空间优化的原则 | 第33-34页 |
| ·红松雌雄花特征空间优化 | 第34页 |
| ·实验结果 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 5 多特征的红松雌雄花的分类识别 | 第36-48页 |
| ·人工神经网络 | 第36页 |
| ·基于BP神经网络的红松雌雄花分类器 | 第36-40页 |
| ·BP网络的结构 | 第36-38页 |
| ·BP网络的学习过程 | 第38-40页 |
| ·一种优化的网络初始权值的选择 | 第40页 |
| ·粒子群优化算法 | 第40-42页 |
| ·用粒子群算法优化的神经网络 | 第42-44页 |
| ·红松雌雄花分类识别BP网络设计 | 第44-47页 |
| ·网络中输入层的设计 | 第45页 |
| ·网络中输出层的设计 | 第45页 |
| ·网络中隐层的设计 | 第45-46页 |
| ·训练样本集的设计 | 第46页 |
| ·实验结果分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读学位期间发表的学术论文 | 第52-53页 |
| 致谢 | 第53-54页 |
