| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 课题的研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9页 |
| 1.3 本课题研究思路、研究内容以及主要创新点 | 第9-12页 |
| 1.3.1 本课题研究思路 | 第9-11页 |
| 1.3.2 本课题研究的主要内容 | 第11-12页 |
| 1.3.3 本课题的主要创新点 | 第12页 |
| 1.4 本章小结 | 第12-13页 |
| 第二章 系统搭建和阔叶苗的培育 | 第13-20页 |
| 2.1 计算机视觉系统 | 第13页 |
| 2.2 阔叶苗培育 | 第13-14页 |
| 2.3 数据库的建立 | 第14-16页 |
| 2.4 图像获取方法 | 第16-19页 |
| 2.5 叶片缺水判别依据 | 第19页 |
| 2.6 本章小结 | 第19-20页 |
| 第三章 叶片图像预处理 | 第20-29页 |
| 引言 | 第20-22页 |
| 3.1 图像灰度化 | 第22-23页 |
| 3.2 图像平滑 | 第23-24页 |
| 3.2.1 基本Mean-shift | 第23页 |
| 3.2.2 Mean-shift核函数 | 第23-24页 |
| 3.3 图像增强 | 第24-26页 |
| 3.3.1 小波级数 | 第25页 |
| 3.3.2 基于小波变换的图像增强方法 | 第25-26页 |
| 3.4 基于Mean-shifth和小波变换的叶片图像边缘检测 | 第26-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 叶片图像特征选择和特征提取 | 第29-38页 |
| 引言 | 第29-30页 |
| 4.1 颜色特征提取 | 第30-32页 |
| 4.1.1 颜色特征的特点 | 第30-32页 |
| 4.2 纹理特征提取 | 第32-34页 |
| 4.2.1 纹理特征特点 | 第32页 |
| 4.2.2 纹理特征的提取与匹配方法 | 第32-34页 |
| 4.3 形态特征提取 | 第34-36页 |
| 4.3.1 形态特征的特点 | 第34-35页 |
| 4.3.2 颜色特征的提取与匹配方法 | 第35-36页 |
| 4.4 特征向量的建立 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 机器学习和分类识别器的设计 | 第38-52页 |
| 引言 | 第38页 |
| 5.1 人工神经网络算法 | 第38-47页 |
| 5.1.1 人工神经网络的基本概念 | 第38-40页 |
| 5.1.2 神经网络的缺水判别模型 | 第40-47页 |
| 5.2 支持向量机 | 第47-51页 |
| 5.2.1 支持向量机基本原理 | 第47-49页 |
| 5.2.2 支持向量机核函数及其参数选择 | 第49-51页 |
| 5.3 分类识别器分类结果对比 | 第51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-53页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-53页 |
| 攻读学位期间发表的学术成果 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-64页 |