基于SVM的油茶害虫图像模式分类方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 模式分类在国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 支持向量机在模式分类上的应用 | 第11页 |
| 1.4 本文的主要研究内容 | 第11-12页 |
| 1.5 研究思路 | 第12页 |
| 1.6 本章小结 | 第12-13页 |
| 2 油茶害虫图像预处理 | 第13-24页 |
| 2.1 油茶害虫特征的研究现状 | 第13页 |
| 2.2 图像增强 | 第13-17页 |
| 2.2.1 彩色图像灰度化 | 第14-15页 |
| 2.2.2 直方图均衡化增强 | 第15-16页 |
| 2.2.3 图像平滑 | 第16-17页 |
| 2.3 图像分割 | 第17-23页 |
| 2.3.1 OTSU阈值分割 | 第18-19页 |
| 2.3.2 区域分离与合并算法 | 第19页 |
| 2.3.3 基于邻域最大差值与区域合并分割 | 第19-22页 |
| 2.3.4 实验结果分析 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 油茶害虫图像特征提取 | 第24-41页 |
| 3.1 全局特征 | 第24-28页 |
| 3.1.1 颜色特征 | 第24-25页 |
| 3.1.2 形状特征 | 第25-27页 |
| 3.1.3 不变矩特征 | 第27-28页 |
| 3.2 局部特征 | 第28-35页 |
| 3.2.1 经典SIFT特征描述子 | 第29页 |
| 3.2.2 SIFT特征提取步骤 | 第29-34页 |
| 3.2.3 SIFT特征提取 | 第34-35页 |
| 3.3 特征优选 | 第35页 |
| 3.4 基于BoW模型的特征提取 | 第35-40页 |
| 3.4.1 BoW模型概述 | 第35-36页 |
| 3.4.2 将BoW模型应用于油茶害虫图像 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 油茶害虫图像的模式分类 | 第41-58页 |
| 4.1 模式分类的基本方法 | 第41-43页 |
| 4.1.1 贝叶斯分类 | 第41-42页 |
| 4.1.2 人工神经网络分类 | 第42页 |
| 4.1.3 支持向量机分类法 | 第42页 |
| 4.1.4 决策树分类法 | 第42-43页 |
| 4.1.5 模糊分类法 | 第43页 |
| 4.2 选用支持向量机的原因 | 第43-44页 |
| 4.3 SVM分类器 | 第44-51页 |
| 4.3.1 统计学习理论 | 第44-46页 |
| 4.3.2 线性问题 | 第46-48页 |
| 4.3.3 非线性问题 | 第48-50页 |
| 4.3.4 多类别分类问题 | 第50-51页 |
| 4.4 SVM分类模型的设计 | 第51-54页 |
| 4.4.1 核函数的选取 | 第51-52页 |
| 4.4.2 训练算法简介 | 第52-53页 |
| 4.4.3 SVM学习算法的步骤 | 第53页 |
| 4.4.4 Libsvm简介 | 第53页 |
| 4.4.5 算法流程图 | 第53-54页 |
| 4.5 实验结果分析 | 第54-57页 |
| 4.5.1 实验流程图 | 第54-55页 |
| 4.5.2 实验结果分析 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 5 结论和展望 | 第58-60页 |
| 5.1 结论 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 攻读学位期间的主要学术成果 | 第66-67页 |
| 致谢 | 第67页 |
