| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-24页 |
| ·研究背景 | 第9-13页 |
| ·植物分类的必要性 | 第9-10页 |
| ·叶片识别的可行性 | 第10-12页 |
| ·叶片图像识别步骤 | 第12-13页 |
| ·研究意义 | 第13-14页 |
| ·国内外研究现状与发展趋势 | 第14-17页 |
| ·研究现状 | 第14-16页 |
| ·发展趋势 | 第16-17页 |
| ·流形学习 | 第17-20页 |
| ·流形学习相关的数学概念 | 第17-19页 |
| ·流形学习的定义 | 第19-20页 |
| ·流形学习的发展 | 第20-22页 |
| ·流形学习的应用 | 第22页 |
| ·论文的主要研究内容和组织结构 | 第22-24页 |
| 第二章 流形学习算法 | 第24-34页 |
| ·线性流形学习算法 | 第24-27页 |
| ·主成分分析算法(Principal Component Analysis) | 第24-26页 |
| ·线性判别分析(Linear Discriminant Analysis) | 第26-27页 |
| ·非线性流形学习算法 | 第27-32页 |
| ·局部线性嵌入算法(Locally Linear Embedding) | 第27-30页 |
| ·等距特征映射算法(ISOMAP) | 第30-31页 |
| ·拉普拉斯特征映射(Laplacian Eigenmap) | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 基于WILE和SVM的植物叶片图像识别 | 第34-46页 |
| ·加权局部线性嵌入算法(WLLE) | 第34-36页 |
| ·分类器 | 第36-38页 |
| ·支持向量机(SVM) | 第36-38页 |
| ·最近邻分类器 | 第38页 |
| ·植物叶片图像预处理 | 第38-39页 |
| ·流形学习算法聚类性能分析 | 第39-42页 |
| ·分类实验 | 第42-45页 |
| ·算法参数的选择 | 第42-43页 |
| ·实验结果 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于D-LLE算法的多特征植物叶片图像识别 | 第46-58页 |
| ·叶片图像多特征提取 | 第46-49页 |
| ·颜色特征提取 | 第46-47页 |
| ·形状特征提取 | 第47-48页 |
| ·纹理特征提取 | 第48-49页 |
| ·差异性值监督局部线性嵌入(D-LLE) | 第49-53页 |
| ·加权局部线性嵌入(WLLE)算法简介 | 第49页 |
| ·差异性值监督LLE算法(D-LLE) | 第49-53页 |
| ·分类实验 | 第53-57页 |
| ·聚类性能分析 | 第54-55页 |
| ·参数选择 | 第55-56页 |
| ·实验结果 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| ·总结 | 第58-59页 |
| ·展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间发表的学术论文 | 第65页 |
