声明
摘要
第一章 绪论
1.1 杂草识别的研究目的与意义
1.2 杂草识别的国内外研究现状
1.2.1 背景分割技术研究现状
1.2.2 杂草与作物分类技术研究概况
1.3 杂草识别研究存在的的问题
1.4 课题研究内容和技术路线
1.4.1 研究内容
1.4.2 技术路线
第二章 机器视觉系统及支持向量机理论介绍
2.1 机器视觉系统
2.1.1 机器视觉硬件
2.1.2 图像处理软件
2.2 图像的采集
2.3 SVM的基本思想
2.3.1 最优分类面
2.3.2 广义的最优分类面
2.3.3 核函数
2.4 半监督支持向量机
2.4.1 半监督学习思想
2.4.2 直推式支持向量机
2.5 基于聚类和半监督支持向量机的变量学习算法
2.5.1 算法设计思想
2.5.2 K-means聚类算法
2.5.3 算法实现步骤
2.6 本章小结
第三章 绿色植物与土壤背景图像分割
3.1 引言
3.2 基于邻域灰度直方图的背景分割方法
3.2.1 彩色特征模型的选择
3.2.2 二维直方图阈值分割法
3.2.3 邻域灰度直方图特征
3.2.4 特征提取与统计
3.2.5 支持向量机模型的选择
3.2.6 图像分割质量评价
3.2.7 邻域窗口模型的选择
3.3 基于聚类和半监督支持向量机的背景分割方法
3.3.1 不同环境颜色特征分析
3.3.2 基于半监督支持向量机的分类实验
3.3.3 基于聚类算法的无标签训练样本自动提取方法
3.3.4 不同地块验证实验
3.3.5 不同光照验证实验
3.4 本章小结
第四章 基于多尺度形状特征的杂草识别方法
4.1 引言
4.2 多尺度圆环形状特征提取
4.2.1 特征提取步骤
4.2.2 轮廓提取
4.2.3 重心坐标提取
4.2.4 多尺度圆环像素统计
4.2.5 二次曲线拟合
4.3 米字分块特形状征提取
4.3.1 最小包围矩形
4.3.2 米字分块形状特征计算
4.4 形状特征比较
4.5 实验数据统计
4.6 基于支持向量机的杂草识别实验
4.7 玉米田室外验证实验
4.8 本章小结
第五章 结论与展望
5.1 工作总结
5.2 主要创新点
5.3 对未来工作的建议
参考文献
附录A:形状特征提取图像
致谢
攻读硕士学位期间发表的学术论文
南京农业大学;