一、基于Legendre矩和BP神经网络的纹理分割（论文文献综述）
李海月[1]（2020）在《基于遥感纹理特征的北京市森林蓄积量估测模型研究》文中进行了进一步梳理随着3S技术的发展,将遥感影像数据与地面调查数据相结合,建立蓄积量估测模型的方法解决了传统蓄积量测定方法的诸多不足,并得到了广泛应用。本研究以北京市为研究区域,将高分一号（GF-1）遥感影像数据、DEM数据、森林资源一类清查数据相结合,探究遥感纹理特征对森林蓄积量估测的影响,同时建立基于三种森林类型蓄积量的多元线性回归模型、BP神经网络模型和支持向量回归模型,通过比较三种不同方法建立的模型的精度,寻求更可靠的蓄积量估测方法。主要研究内容和结论如下:（1）探究了遥感影像的纹理特征对蓄积量估测的影响。以GF-1卫星数据为数据源,提取了光谱特征、地形特征以及纹理特征,以北京市阔叶林为例,采用多元线性回归方法,构建了不加纹理特征和加入纹理特征的蓄积量估测模型,并对比分析两种模型的精度。结果表明,两种模型中加入纹理特征的模型精度高于不加纹理特征的模型。其中,不加纹理特征的蓄积量估测模型的决定系数R2为0.52,均方根误差RMSE为10.51m3/ha;加入3×3窗口纹理特征的蓄积量估测模型的R2为0.55,RMSE为10.34m3/ha。（2）探究了高分影像的不同纹理窗口对蓄积量估测的影响。以北京市阔叶林为例,提取了基于五种窗口（3×3、5×5、7×7、9×9、15×15）的纹理特征,并分别将其与光谱特征和地形特征相结合,采用多元线性回归的方法构建了五种基于不同窗口纹理特征的蓄积量估测模型,并对比分析五种模型的精度。结果表明,五种模型中基于7×7窗口纹理特征构建的蓄积量估测模型精度最高,决定系数R2为0.56,均方根误差RMSE为10.22m3/ha。（3）构建了基于纹理特征的北京市三种森林类型的蓄积量估测模型。将高分一号卫星数据提取的光谱特征、地形特征以及7×7窗口纹理特征相结合,通过多元线性回归方法和两种基于机器学习的BP神经网络和支持向量回归算法,分别构建了北京市针叶林、阔叶林和混交林的蓄积量估测模型,并对比分析三种方法下建立的模型的精度。结果表明,三种建模方法中,基于机器学习的支持向量回归优于BP神经网络和传统的多元线性回归。同时三种森林类型中,混交林蓄积量估测模型优于阔叶林和针叶林的蓄积量估测模型,其中混交林的SVR模型的决定系数R2为0.75,均方根误差RMSE为11.02m3/ha。
高强[2]（2020）在《基于小波矩的声呐图像特征提取方法研究》文中指出依赖声呐设备的水下目标分类识别技术,在海洋资源勘探、水下鱼类识别、水下打捞等环境中扮演着越来越重要的角色。水下目标识别的一般步骤为原始声呐图像获取,图像预处理,图像特征提取,目标分类识别四个步骤。在声呐图像目标识别的整个过程中,每一个环节都有着决定性作用。其中,特征提取环节尤为重要,特征的不变性,即位移、尺度和旋转不变性越好,以及抗噪性能越强,其分类识别能力也越高。基于小波不变矩特征提取算法的工作已经有了很多,但是前人基本上都是将其应用在光学图像。在声学图像层面,尤其是水下目标识别这一领域研究尚少。针对本试验特定的扇贝和海星目标,考虑到其声呐图像轮廓模糊、噪点多的缺陷,将Hu矩、Zernike矩和小波不变矩应用在该类图像上,主要内容和成果包括:（1）详细介绍了Hu矩、Zernike矩和小波不变矩特征的基本概念和原理,对算法的位移、尺度和旋转不变性进行了推导与证明。（2）声呐图像矩特征提取试验。以扇贝为研究对象,对原始声呐图像分别作位移、尺度和旋转变换,并加入不同程度的高斯噪声。使用MATLAB进行编程提取各种矩算法下的特征值,分析对比不同算法下特征的不变性及其抗噪性能。（3）基于BP神经网络的海星和扇贝分类识别试验。采集3000幅原始声呐图像,对其做预处理和特征提取,分别将三种不变矩算法提取的特征值进行特征选择以后,输入神经网络分类器,通过识别效果来评判三种不变矩算法的性能。本文的创新点总结如下:（1）对于本文的扇贝和海星声呐图像,在传统的全局矩Hu矩和Zernike矩基础上,提出了兼具局部特征和抗噪性能的小波不变矩,并通过试验数值验证了小波不变矩强大的适应性能。（2）为了取得更好的识别结果,提出了一种基于特征融合和特征降维的方法,试验结果表明,该方法提高了整体的识别率,同时降低了计算时间。
秦芝乾[3]（2020）在《不同波段光源和光照强度对烟叶分级的影响研究》文中研究表明烟叶等级质量关乎着卷烟的香气质,针对目前烟叶收购站均在单一白色光源和光照强度的环境下对烟叶进行分级,本文对不同波段光源不同光照强度下采集的烟叶展开分级研究,以期选择出最适合烟叶分级的波段光源和光照强度。主要工作如下:（1）研究了烟叶图像采集设备。该设备可以采集白色、红色、蓝色和绿色4种波段光源下的烟叶,通过调节光强控制器控制每个光源的光照强度强弱,整个采集过程是在密闭不透光的环境下进行的,尽可能保证采集的烟叶图像与样本一致。（2）烟叶图像预处理。采用基于二维伽马函数的光照不均匀图像自适应校正算法实现光照均衡化;对均衡化后的图像进行灰度化、通过试验选取3×3模板的中值滤波进行噪声去除、采用最大类间方差法（Otsu）进行二值化、然后进行小面积去除和孔洞填充保证烟叶的完整性、最后进行背景去除获得只含烟叶的彩色分割图像。（3）烟叶特征参数提取。对比分析RGB颜色空间模型和HIS颜色空间模型,提取HIS颜色空间模型下三个通道分量上的一致性U、熵e、一阶矩μi、二阶矩σi、三阶矩si、平滑度R共18个颜色特征参数;提取了小波第二层、第三层水平垂直对角三个方向细节子图的相对能量（eh2,ev2,ed2,eh3,ev3,ed3）作为纹理特征参数。（4）不同波段光源及不同光照强度下的烟叶图像敏感性分析。将改进图像信息熵理论以及结构相似性理论分别应用于不同波段光源和不同光照强度下的烟叶图像,遴选出最佳波段光源和光照强度。（5）验证模型建立。基于PCA-BP神经网络建立验证模型,检验不同波段光源及不同光照强度下烟叶图像敏感性分析方法的有效性,从不同波段光源及光照强度下中部烟叶的分级准确率及误差分析图看出,将改进图像熵和结构相似性理论应用于不同波段光源不同光照强度的烟叶图像敏感性分析方法是有效的。论文研究结果表明,不同波段光源和光照强度对不同等级烟叶的特征提取、识别过程等有显着影响,选择合适的波段光源和光照强度能够有效提高分级准确率和效果。最终得出结论,白色光源下,光照强度为90lux采集正面烟叶最利于分级,且识别准确率和效率都高于其它波段光源和光照强度。
白亚腾[4]（2020）在《基于机器视觉的煤质检测关键技术研究》文中指出目前而言,由于机械开采的迅速推广,产出的细粒煤已经大致占到原煤总量的20%以上。选煤厂的浮选技术水平的高低,将直接影响煤炭资源的有效利用率和经济效益。随着计算机技术的迅猛发展,机器视觉技术用来代替人类视觉自动处理浮选泡沫图像已经成为可能,通过及时准确地提取泡沫图像特征参数,从而对浮选过程中泡沫进行实时检测和识别。然而浮选过程中各种操作变量的不断变化以及现场环境恶劣性对泡沫图像的获取、分割处理及表面视觉特征提取等带来了很大的挑战。因此,研究一套行之有效的泡沫图像处理及视觉特征提取方法,从而建立完善高效的浮选产品指标在线检测体系,有效地提高了浮选生产效率,降低了工人劳动强度,进一步提高矿产资源的回收率,具有非常重要的现实意义。本文首先归纳总结了煤泥浮选的现场环境、工艺特征及其泡沫图像的视觉特点,以实验室小浮选试验为基础研究手段,提出了适用于煤泥浮选泡沫的图像去噪、增强及分割算法。从图像中提取出能够有效反映煤质产量和灰分的相关特征参数,构建了煤泥浮选精煤灰分软测量模型。在此基础上,对浮选系统进行配置,并结合选煤厂的实际情况,搭建了煤泥浮选泡沫图像控制管理系统。实现了对现场精煤灰分的在线检测,验证了本研究的可靠性和有效性。本文的主要研究内容及创新性成果概括为以下几个方面:（1）针对煤泥浮选生产光分布不均匀、图像噪声污染严重、分割困难等问题,本文提出了一种基于全变分理论的混合去噪模型。基于暗原色先验原理、双平台直方图均衡化和递归分层的连通域均衡化原理,本文研究了一种综合图像增强技术,能够在保留图像细节前提下,有效地去除泡沫图像噪声,增强图像对比度。结合以上预处理的技术,设计了一种基于谷底边缘检测的泡沫图像分割算法。不仅保留图像中的非边缘像素,而且保留了真实的泡沫边缘像素点,对泡沫边界像素进行细化处理,从而得到真实的矿物泡沫图像边缘。（2）对不同入浮浓度、捕收剂用量、起泡剂用量和物料颗粒情况下浮选实验泡沫图像进行采集,并化验分析了样品的实验指标。提取了不同浮选实验条件下的泡沫图像纹理、颜色和形状特征,利用机器学习中的回归方法（支持向量机和随机森林等）通过三种特征融合的方式对浮选过程中的精煤产量、精煤灰分和尾煤灰分进行预测,结果表明本文提出的多特征融合的预测方法可以达到较好的预测性能。（3）为了提高精煤灰分的预测精度,本文基于图像灰度直方图和灰度共生矩阵等共提取了11个特征参数,并综合分析了各个特征值与浮选运行状态之间的关系。实验结果表明:基于灰度直方图提取的方差、基于灰度共生矩阵提取的能量以及泡沫大小与精煤灰分值之间存在着明显相关关系。而由灰度直方图提取的平滑度和三阶矩,则与精煤灰分值呈高度相关关系。由灰度直方图提取的熵、由灰度共生矩阵提取的对比度、熵与精煤灰分值呈适度相关。基于灰度直方图提取的一致性对灰分不敏感,相关性极弱。（4）采用多元线性回归分析法对样本数据进行了建模,对比了不同自变量作为模型输入值时的多元线性回归方程,选择方差、平滑度、三阶矩、能量、泡沫实际面积作为自变量,用于构建煤泥浮选灰分软测量模型,对比样品的实际化验结果与模型的预测结果,发现该模型对样品精煤灰分预测的绝对误差可以保证在±5%范围之内。根据经验公式,取得BP神经网络隐含层神经元的最优数量,从而搭建了灰分预测模型,通过测试集的验证,结果表明预测灰分与实际灰分之间的相对误差基本小于±10%,绝对误差可以达到±1%。其中,绝对误差小于±0.5%的样本占总预测的72%。在以上研究的基础上,考虑到现实选煤厂浮选车间的工作情况和机器视觉技术的配置,本文搭建了一套煤泥浮选泡沫图像控制系统。该套系统主要包括由彩色CCD相机、定焦镜头、环形光组成的图像采集系统和由图像预览、图像采集、图像处理、数据保存四个模块组成的图像处理系统,实现了对现场精煤灰分的在线检测。现场工业试验观察发现,基于该系统预测得到的数据与实际化验数据之间的误差可以达到±1.5%之间,达到了实时精确预测浮选精煤灰分,及时指导现场生产的目的。该论文有图62幅,表20个,参考文献146篇。
刘晓彤[5]（2020）在《基于BP神经网络的尿液有形成分识别算法研究》文中研究指明分析尿液有形成分,有助于评估患者肾脏和泌尿系统状态。针对无染色无标记的尿液有形成分图像成分繁多、边缘模糊、散焦严重等特点,传统方法大多采用形态学分割及支持向量机（Support Vector Machine,SVM）等进行分割识别,在数据量较大的情况下准确率较差且识别时间较长。本文针对尿液有形成分特点,设计一种基于改进BP神经网络的尿液有形成分识别方法,高效准确的实现红细胞、白细胞、上皮细胞、管型和晶体等尿液有形成分识别与分类。主要工作如下:1.设计了一种融合滤波图像预处理方法。该算法首先使用均值滤波去除尿液原始图像中由于光照不均匀造成的干扰,再使用高斯滤波和非线性小波变换阈值法消除成像系统产生的加性噪声和乘性噪声,改善图像质量。2.提出了一种基于粒子群算法改进BP神经网络的尿液有形成分分割方法。该方法采用粒子群算法寻找最优的权值和阈值作为网络初始参数进行训练和预测,避免了传统BP神经网络易陷入局部极值等问题,改善网络结构。应用改进BP神经网络对100幅人工分割好的图像进行训练以确定各个节点间参数,再用训练好的网络模型对新输入的图像进行分割,取得了良好的效果。3.提出了一种基于遗传算法改进BP神经网络的尿液有形成分分类器。该分类器使用遗传算法优化初始参数,同时使用动量梯度下降法加速网络收敛,提高识别速度。实验对100幅无染色、无标记的尿液有形成分镜检原图进行识别,针对各类尿液有形成分之间存在的形状、纹理和统计特征之间的差别,选取15个特征作为识别特征向量组输入分类器进行识别,实验结果表明,该分类器对红细胞、白细胞、上皮细胞和管型的识别率均达到90%以上,且对于晶体的识别效果也明显优于对照实验。本课题设计了对比实验,与传统BP神经网络、SVM和卷积神经网络（Convolutional Neural Networks,CNN）分类器进行对照,实验结果表明,该方法对背景复杂且存在较多噪声干扰的尿液有形成分图像实现了较优的分类效果,且识别速度较快,识别结果较为稳定。
侯雨[6]（2020）在《基于图像处理的大豆杂草识别方法研究》文中研究指明大豆是我国重要的油料作物、高蛋白食品和饲料作物,它的种植面积仅次于水稻、玉米和小麦。近年来由于气候变化、病虫害、草害因素的影响,我国大豆种植面积逐年减少、产量逐年下降。化学除草因其省工省力、操作简便、除草效果好的特点被广泛应用在农业生产领域,使用无人机喷洒除草剂时无针对性地大面积喷洒,不仅造成浪费,而且危害农田生态系统安全。为解决无人机图像采集过程中受噪声干扰、图像信息缺失严重,导致作物杂草识别准确程度低的问题,本文以大豆幼苗、禾本科杂草和阔叶型杂草为研究对象,采用基于图像处理和BP神经网络相结合的方法对大豆杂草图像进行识别研究,以期提高作物杂草的识别准确率,为无人机精准喷药提供技术参考。本文的主要研究内容如下:（1）研究了图像去噪、增强和分割算法。针对无人机采集图像时颠簸抖动导致不清晰、设备传输产生噪声的问题,对比传统单一图像去噪算法,发现使用混合滤波去噪方法好于单一图像去噪方法,采用极值自适应中值滤波与小波滤波结合的方法对图像进行去噪处理。对比分析直方图均衡增强和多尺度Retinex增强算法在大豆杂草图像上的增强效果,最终选择Retinex算法进行图像增强处理。为了更好提取叶片特征信息,使用Otsu算法选取二值化阈值对图像背景进行分割处理,并使用形态学图像处理方法对轻度交叠的叶片进行进一步分割。（2）研究了图像轮廓、形状、纹理特征提取方法。改进了Canny边缘检测算法,针对传统Canny算法需要设定滤波参数、高低阈值,在椒盐噪声环境下的检测结果不佳等问题。将自适应中值滤波与高斯滤波结合代替传统Canny算法使用的高斯滤波去噪、增加梯度计算模板和在Otsu算法中引入二分法查找高、低阈值等方式来改进Canny算法,较传统Canny算法、Sobel算子和Laplacian算子去除大量伪边缘点、检测效果更好。利用轮廓信息进一步提取叶片的形状特征,选定宽长比、圆形度、矩形度、不变矩作为描述叶片的形状特征参数。通过灰度共生矩阵提取叶片纹理特征,选定熵、逆差矩、能量、对比度和相关性作为描述叶片纹理的特征参数。（3）构建了基于BP神经网络的大豆杂草识别模型。首先,分别以形状特征、纹理特征和形状、纹理混合特征作为输入参数,构建三个基于BP神经网络的杂草识别模型,实验表明形状、纹理特征结合比单独使用任意一种特征进行识别,准确率更高。其次,以形状和纹理特征作为输入参数,对比传统识别模型和本文构建模型的识别效果,传统杂草作物识别模型的准确率为91.11%,本文模型识别准确率为96.67%,提高了5.56%。
钟玉蝶[7]（2020）在《基于插值运算的分数阶微分掩模与FPCA的马铃薯病害识别方法研究》文中研究说明随着马铃薯主粮化战略的启动,马铃薯成为了我国重要粮食作物之一。目前,马铃薯种植技术已较为成熟,提高马铃薯产量和品质是当前的研究重点,但在马铃薯生长过程中,易发生许多的病害,造成产量和品质的下降,从而使得经济受到重大损失。因此,及时准确的发现病害,可以有效降低经济损失。随着科学技术的发展,研究马铃薯叶片病害自动识别方法,对提升农作物病害诊断的智能化水平有着重要的现实意义。本文选取马铃薯早疫病和晚疫病作为研究对象,结合图像处理技术和模式识别技术,开展对马铃薯早疫病和晚疫病的识别方法研究。主要工作内容如下:（1）为了提高图像分割、特征提取和识别技术的可靠性,本文提出了一种基于插值运算的分数阶微分掩模（IOFDM）,该模板不仅可以增强马铃薯叶片图像的纹理细节信息,还可以去除噪声。（2）为了精准提取马铃薯叶片的病斑区域,本文采用自适应阈值法对病斑进行提取,并结合形态学处理法对提取的病斑进行后续处理,最后取得了较好的效果。（3）对特征提取与特征融合方法进行研究,共计提取了29类特征参数。主要包括:R、G、B、H、S、I以及HSV彩色模型中的V分量的均值与方差;相关性、能量、惯性矩和信息熵的均值与方差;7个Hu不变矩。最后,通过贡献率比较主成分分析（PCA）和分数阶主成分分析（FPCA）对特征融合的效果性,最终选择FPCA对马铃薯病斑的特征参数进行降维。（4）在MATLAB平台上,采用BP神经网络与支持向量机（SVM）对马铃薯晚疫病和早疫病进行分类。实验表明,IOFDM+FPCA+SVM对两种病害的分类正确率为98%;IOFDM+PCA+SVM对两种病害的分类正确率为88%;IOFDM+PCA+BP对两种病害的分类正确率为80%;IOFDM+SVM对两种病害的分类正确率为58%;IOFDM+BP对两种病害的分类正确率为54%;SVM对两种病害的分类正确率为52%。因此,本文最终选择IOFDM+FPCA+SVM对马铃薯早疫病和晚疫病进行分类,其分类正确率为98%。
谢滨瑶[8]（2020）在《基于图像处理的烟叶成熟度鉴别方法》文中认为烟叶田间成熟度作为影响烟叶品质的重要因素,仅靠烟农人工肉眼难以准确鉴别。为了实现在烟叶采收环节中准确地鉴别烟叶的成熟度,以下部烟叶为样本,基于图像处理技术对烟叶图像进行预处理,然后基于传统机器学习（BP神经网络和支持向量机）和深度学习（AlexNet和VGG16Net）建立相应的烟叶成熟度鉴别模型;通过分析对比各个模型的分类效果,得到最优模型。试验结果表明,基于图像处理技术、传统机器学习和深度学习鉴别烟叶成熟度的方法是可行的,为进一步研制烟叶采收机奠定了基础。本文主要研究内容与结论如下:（1）基于传统机器学习的烟叶成熟度鉴别方法。对采集的样本进行预处理,首先采用中值滤波算法进行去噪,然后采用二维伽马函数光照不均匀图像自适应矫正算法进行光照平衡,最后采用改进后的最大类间方差法和数学形态学的方法进行分割。预处理结束后,基于颜色空间模型和灰度共生矩阵,提取目标图像的颜色特征（R、G、H、S和V值）和纹理特征（能量、熵、惯性矩和相关性）。将提取的特征作为输入,BP神经网络作为分类技术,通过训练集中的1208份样本训练模型,得到基于BP神经网络的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为90.82%;支持向量机作为分类技术,通过训练集中的1208份样本训练模型,得到基于支持向量机的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为94.54%。（2）基于深度学习的烟叶成熟度鉴别方法。通过仿射变换算法对训练集中1208份样本进行数据增强,将训练集的样本扩充为4832份,Alex Net作为分类技术,在不同的优化器下,得到基于Alex Net的烟叶成熟度鉴别模型。在优化器SGDM下训练,得到的模型对测试集中403份样本进行预测,准确率为97.77%;在优化器RMSProp下训练,得到的模型对测试集中403份样本进行预测,准确率为96.28%;在优化器Adam下训练,得到的模型对测试集中403份样本进行预测,准确率为98.26%。通过仿射变换算法对训练集中1208份样本进行数据增强,训练集的样本扩充为4832份,VGG16Net作为分类技术,在优化器SGDM下训练模型,得到基于VGG16Net的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为98.76%。（3）基于传统机器学习的烟叶成熟度鉴别方法中,采用支持向量机作为分类技术建立的模型准确率更高;基于深度学习的烟叶成熟度鉴别方法中,采用VGG16Net作为分类技术建立的模型准确率更高;深度学习模型的鉴别准确率普遍高于传统机器学习模型的准确率。
彭泽民[9]（2020）在《基于多尺度卷积神经网络的交通标志检测与识别》文中提出社会经济飞速发展背景下,自动驾驶车辆在不久的将来也将进入千家万户,为人们出行带来更大的便利。安全性保障是自动驾驶技术应用的前提,而若不能及时准确地检测和识别交通标志牌则极易引发交通事故,因此研究探索交通标志的实时检测与识别技术至关重要。论文以提高道路各种大小尺度的交通标志检测识别率为目的,结合多尺度卷积神经网络和组合矩特征提取等图像处理方式,提出交通标志图像的检测和识别方法,主要研究内容如下。1)采用限制对比度自适应直方图均衡（CLAHE）方法进行图像预处理。根据设定的阈值进行直方图裁剪,克服了直方图均衡化（AHE）导致的噪音过度放大问题,有效改善了图像的对比度。2)检测定位出图像中的交通标志区域。为解决RGB颜色空间对光照过于敏感而难以适应然场景中复杂的光照条件,将图像从RGB格式转换成HSV格式,滤除与标志颜色不相关的背景,分割得到各个感兴趣图像区域的图像;改进特征提取方式形成Legendre矩和小波不变矩的组合矩特征,结合SVM分类器进行判别,检测出包含交通标志的图像区域,为进一步识别具体的交通标志做准备。3)改进设计了多尺度卷积神经网络（MR-CNN）。将池化层S3、池化层S4和池化层S5输出到全连接层,设计多尺度卷积神经网络及Softmax分类器实现交通标志的识别分类,对多尺度卷积神经网络模型参数（权重初始化方式、激活函数、优化器以及Dropout）进行了对比研究和遴选。4)基于德国交通标志集,将论文研究的MR-CNN交通标志识别方法与单尺度卷积神经网络算法、Random Forests算法和LDA on HOG 2算法进行了识别比较。测试结果表明,本文方法对于小、中和大尺寸的交通标志识别准确率均有提高,特别是对小交通标志的识别准确性有明显提高,表明了论文方法的有效性。
丁莲[10]（2020）在《温室黄瓜病害图像识别方法研究及应用》文中指出随着计算机技术和图像处理技术的发展,农作物病害的自动识别已成为研究热点。将图像识别技术运用在病害诊断中,除解决劳动力短缺外,对提高农作物的产量和质量,降低经济成本以及促进中国现代农业发展也具有重要意义。本文基于四川省教育厅2017年研究项目《基于图像处理的农作物病害智能诊断系统——温室黄瓜病害图像自动识别子系统研究与设计》的研究成果,利用数字图像处理、模式识别以及软件技术,研究了温室大棚黄瓜常见的三种病害图像预处理、病斑分割、特征提取和病害识别的关键算法,并构建了黄瓜病害识别系统。本研究的主要工作如下:（1）使用分段线性变换将采集的RGB图像调整为没有颜色信息干扰的灰度图像,然后通过直方图均衡化计算对图像中灰度级进行展宽或压缩,提高图像的清晰度。最后利用噪声分析,在传统的中值滤波的基础上改进算法,提出了一种自适应的中值滤波算法,更高概率过滤脉冲噪声。实验表明,本文方法能较好地完成图像预处理,使图像在去除噪声的同时更好地保持图像清晰,保留细节边缘。（2）提出了采用直方图阈值分割法,选择合适的阈值,将病斑图像与正常图像分离。实验表明,该方法能够有效地去除复杂背景,减少对病斑图像的干扰,获取完整病斑图像。（3）构造了新的特征提取技术,将RGB空间转换成HIS空间,对颜色直方图做了改进操作,设计了累计直方图,提取12个颜色特征值。在MATLAB中通过函数构造灰度共生矩阵,提取8个纹理特征值。利用主成分分析法从这20个特征中优选出9个具有代表性的值作为实验参数。结果表明:优化后的特征参数分类准确率高于原始特征参数。（4）结合本研究的实际情况,对实验样本进行了数次随机选择。对BP神经网络和支持向量机两种模式识别的方法进行了实验和比较,最终选择支持向量机识别模型。通过“一对一”的方法,借助MATLAB下的LibSVM工具箱,通过径向基核函数设计分类模型,完成病害识别。实验结果表明,支持向量机方法对于黄瓜叶片三种病害的平均识别率达到96.39%,识别准确率高。（5）基于Android开发平台IDE,借助JDK、Eclipse、MySQL、Tomcat、Matlab等工具完成了黄瓜病害识别系统的设计与实现。系统为农户提供病害诊断、病害信息查询等功能,具有显着的实用性及通用性。
二、基于Legendre矩和BP神经网络的纹理分割（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Legendre矩和BP神经网络的纹理分割（论文提纲范文）
（1）基于遥感纹理特征的北京市森林蓄积量估测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 .研究背景 |
| 1.2 .国内外研究现状 |
| 1.2.1 .纹理信息在森林资源监测中的应用现状 |
| 1.2.2 .森林蓄积量遥感估测现状 |
| 1.3 .研究目的及意义 |
| 1.4 .研究内容与技术路线 |
| 1.4.1 .研究内容 |
| 1.4.2 .技术路线 |
| 1.5 .主要创新点 |
| 1.6 .论文组织结构 |
| 2.研究区概况与数据获取 |
| 2.1 .研究区概况 |
| 2.1.1 .地理位置 |
| 2.1.2 .地形地貌 |
| 2.1.3 .气候条件 |
| 2.1.4 .森林资源 |
| 2.2 .研究区数据获取 |
| 2.2.1 .遥感影像数据获取 |
| 2.2.2 .DEM数据获取 |
| 2.2.3 .森林资源清查数据获取 |
| 2.3 .本章小结 |
| 3.数据预处理 |
| 3.1 .遥感数据预处理 |
| 3.1.1 .影像预处理 |
| 3.1.2 .光谱特征提取 |
| 3.2 .DEM数据预处理 |
| 3.2.1 .DEM数据镶嵌裁剪 |
| 3.2.2 .地形特征提取 |
| 3.3 .森林资源清查数据预处理 |
| 3.4 .建模因子整理与筛选 |
| 3.5 .本章小结 |
| 4.基于纹理特征的阔叶林蓄积量估测模型研究 |
| 4.1 .纹理特征 |
| 4.2 .纹理特征提取 |
| 4.2.1 .主成分分析(PCA) |
| 4.2.2 .灰度共生矩阵(GLCM) |
| 4.2.3 .纹理特征计算公式及影像 |
| 4.3 .纹理特征对蓄积量估测的影响 |
| 4.3.1 .不加纹理特征的森林蓄积量估测 |
| 4.3.2 .加入纹理特征的森林蓄积量估测 |
| 4.3.3 .模型精度评价 |
| 4.4 .不同纹理窗口对蓄积量估测的影响 |
| 4.4.1 .不同窗口纹理特征提取 |
| 4.4.2 .基于五种纹理窗口的蓄积量估测模型 |
| 4.4.3 .模型精度对比 |
| 4.5 .本章小结 |
| 5.基于针、阔、混交林的蓄积量估测模型研究 |
| 5.1 .多元线性回归(MLR) |
| 5.1.1 .多元线性回归原理 |
| 5.1.2 .多元线性回归模型构建 |
| 5.1.3 .多元线性回归模型精度检验 |
| 5.2 .BP神经网络 |
| 5.2.1 .BP神经网络原理 |
| 5.2.2 .BP神经网络模型构建 |
| 5.2.3 .BP神经网络模型精度检验 |
| 5.3 .支持向量回归(SVR) |
| 5.3.1 .支持向量回归原理 |
| 5.3.2 .支持向量回归模型构建 |
| 5.3.3 .支持向量回归模型精度检验 |
| 5.4 .三种模型估测结果比较 |
| 5.5 .本章小结 |
| 6.结论与展望 |
| 6.1 .研究结论 |
| 6.2 .研究展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（2）基于小波矩的声呐图像特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 2 矩特征提取算法 |
| 2.0 几何矩 |
| 2.1 Hu矩 |
| 2.2 Zernike矩 |
| 2.3 小波不变矩 |
| 2.4 本章小结 |
| 3 声呐图像矩特征提取试验与结果分析 |
| 3.1 试验介绍 |
| 3.2 声呐图像预处理 |
| 3.3 Hu矩特征提取结果分析 |
| 3.4 Zernike矩特征提取结果分析 |
| 3.5 小波矩特征提取结果分析 |
| 3.6 本章小结 |
| 4 基于BP神经网络方法的声呐图像分类识别试验研究 |
| 4.0 声呐图像采集试验介绍 |
| 4.1 BP神经网络分类器介绍 |
| 4.2 全局矩与小波矩分类识别试验结果分析 |
| 4.3 基于特征融合的声呐图像分类识别 |
| 4.4 基于PCA算法的声呐图像分类识别 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）不同波段光源和光照强度对烟叶分级的影响研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 不同波段光源及不同光照强度在机器视觉中的应用现状 |
| 1.2.2 烟叶智能分级方法研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 研究方案与技术路线 |
| 1.4.1 研究方案 |
| 1.4.2 技术路线 |
| 1.5 本文的章节安排 |
| 第2章 烟叶图像采集与预处理 |
| 2.1 样品烟叶获取 |
| 2.2 烟叶图像采集系统的设计 |
| 2.2.1 采集系统整体要求及指标参数 |
| 2.2.2 照明光源选择 |
| 2.2.3 光源照明安装 |
| 2.2.4 相机选择 |
| 2.2.5 采集光箱 |
| 2.2.6 背景选择 |
| 2.3 不同波段光源不同光照强度烟叶图像采集 |
| 2.3.1 光源标定 |
| 2.3.2 光照范围确定 |
| 2.3.3 采集方法 |
| 2.4 烟叶图像预处理 |
| 2.4.1 烟叶图像光照均衡化 |
| 2.4.2 烟叶图像灰度化 |
| 2.4.3 烟叶图像滤波 |
| 2.4.4 烟叶图像二值化 |
| 2.4.5 烟叶图像分割 |
| 2.5 本章小结 |
| 第3章 烟叶图像外观特征参数提取 |
| 3.1 烟叶颜色特征提取 |
| 3.1.1 烟叶颜色特征分类的依据 |
| 3.1.2 颜色空间模型选取 |
| 3.1.3 两个颜色模型之间的转换 |
| 3.1.4 基于HSI空间模型的颜色特征提取 |
| 3.1.5 颜色特征结果与分析 |
| 3.2 烟叶纹理特征提取 |
| 3.2.1 小波纹理能量 |
| 3.2.2 纹理能量特征结果与分析 |
| 3.3 本章小结 |
| 第4章 不同波段光源及不同光照强度的烟叶图像敏感性分析 |
| 4.1 不同波段光源的烟叶图像敏感性分析 |
| 4.1.1 自信息熵理论 |
| 4.1.2 互信息熵 |
| 4.1.3 改进信息熵 |
| 4.1.4 结果与分析 |
| 4.2 不同光照强度的烟叶图像敏感性分析 |
| 4.2.1 结构相似性 |
| 4.2.2 结构相似性指数SSIM |
| 4.2.3 SSIM在图像检测中应用 |
| 4.2.4 结果与分析 |
| 4.3 本章小结 |
| 第5章 基于PCA-BP神经网络的烟叶分级模型研究 |
| 5.1 主成分分析 |
| 5.1.1 应用目的 |
| 5.1.2 主成分分析算法基本原理 |
| 5.1.3 基于主成分分析的烟叶特征值提取 |
| 5.2 BP神经网络 |
| 5.3 PCA-BP神经网络设计 |
| 5.3.1 BP神经网络结构设计 |
| 5.3.2 隐含层神经元个数确定 |
| 5.3.3 传递函数的选择 |
| 5.3.4 训练函数的选择 |
| 5.3.5 选择初始值 |
| 5.3.6 不同网络结构性能的比较 |
| 5.4 不同波段光源及不同光照强度图像敏感性分析方法的验证 |
| 5.4.1 不同波段光源烟叶图像敏感性分析方法的验证 |
| 5.4.2 不同光照强度烟叶图像敏感性分析方法的验证 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 在学期间发表的学术论文与研究成果 |
（4）基于机器视觉的煤质检测关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 浮选产品质量检测的研究现状 |
| 1.2.2 机器视觉在矿物加工领域的研究现状 |
| 1.2.3 浮选泡沫图像处理技术的研究现状 |
| 1.3 研究内容及论文组织结构 |
| 2 煤泥浮选工艺与泡沫图像特征分析 |
| 2.1 浮选泡沫图像表面视觉特点 |
| 2.2 浮选过程视觉监控的优点 |
| 2.3 本章小结 |
| 3 煤泥浮选泡沫图像去噪 |
| 3.1 传统图像去噪技术 |
| 3.1.1 调和去噪模型 |
| 3.1.2 全变分去噪模型 |
| 3.1.3 Zhang自适应去噪模型 |
| 3.1.4 Chen自适应去噪模型 |
| 3.2 全变分混合去噪模型 |
| 3.2.1 混合模型的建立 |
| 3.2.2 混合模型数值实现及整体流程 |
| 3.2.3 泡沫图像去噪与效果评价 |
| 3.3 本章小结 |
| 4 浮选泡沫图像增强及分割技术 |
| 4.1 传统图像增强技术 |
| 4.1.1 空域增强 |
| 4.1.2 频域增强 |
| 4.2 经典改进均衡化算法 |
| 4.2.1 双平台直方图均衡化 |
| 4.2.2 分层子直方图均衡化算法 |
| 4.3 连通域均衡化算法 |
| 4.3.1 连通域均衡化 |
| 4.3.2 改进算法 |
| 4.4 基于暗原色先验的煤质颗粒增强 |
| 4.4.1 暗通道先验模型及去雾原理 |
| 4.4.2 基于GIF的透射率优化 |
| 4.4.3 改进算法总体流程及仿真 |
| 4.5 泡沫图像分割简介 |
| 4.6 基于谷底边缘检测的泡沫图像分割算法 |
| 4.6.1 基于谷底边缘检测的泡沫图像分割算法研究 |
| 4.6.2 泡沫图像分割实验结果与分析 |
| 4.7 本章小结 |
| 5 浮选泡沫图像的产量和灰分预测方法 |
| 5.1 浮选实验中泡沫图像的采集 |
| 5.2 浮选泡沫图像特性 |
| 5.3 图像特征 |
| 5.3.1 颜色特征 |
| 5.3.2 纹理特征 |
| 5.3.3 形状特征 |
| 5.4 机器学习方法 |
| 5.5 实验分析与结果 |
| 5.6 本章小结 |
| 6 浮选泡沫图像的特征提取 |
| 6.1 实验系统 |
| 6.1.1 试验材料与装置 |
| 6.1.2 试验过程 |
| 6.1.3 试验结果 |
| 6.2 煤泥浮选泡沫图像特征提取 |
| 6.2.1 基于直方图的纹理特征的提取 |
| 6.2.2 基于灰度共生矩阵的纹理特征参数提取 |
| 6.2.3 平均尺寸参数提取 |
| 6.3 参数的相关性分析 |
| 6.4 浮选精煤灰分预测模型的建模研究 |
| 6.4.1 多元线性回归法的建模研究 |
| 6.4.2 BP神经网络法的建模研究 |
| 6.5 本章小结 |
| 7 煤泥浮选泡沫图像控制系统研究与设计 |
| 7.1 煤泥浮选图像控制系统硬件设计 |
| 7.1.1 相机参数及选定 |
| 7.1.2 光源的选择 |
| 7.1.3 工控机 |
| 7.2 煤泥浮选图像控制系统软件设计 |
| 7.2.1 图像预览模块 |
| 7.2.2 图像采集模块 |
| 7.2.3 数据处理模块 |
| 7.2.4 数据保存模块 |
| 7.3 现场实验 |
| 7.4 实验结果验证 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 作者简历 |
| 附录 |
（5）基于BP神经网络的尿液有形成分识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像处理技术研究现状 |
| 1.2.2 尿液有形成分识别研究现状 |
| 1.3 论文主要工作及结构 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文组织结构 |
| 第2章 尿液有形成分图像预处理与分割 |
| 2.1 尿液有形成分图像特点 |
| 2.2 图像预处理 |
| 2.2.1 图像滤波 |
| 2.2.2 图像增强 |
| 2.3 尿液有形成分图像分割 |
| 2.3.1 形态学分割法 |
| 2.3.2 传统BP神经网络的图像分割 |
| 2.3.3 改进BP神经网络的图像分割 |
| 2.4 本章小结 |
| 第3章 尿液有形成分特征提取 |
| 3.1 主要图像特征 |
| 3.1.1 形态学特征 |
| 3.1.2 纹理特征 |
| 3.1.3 统计特征 |
| 3.2 尿液有形成分特征 |
| 3.3 本章小结 |
| 第4章 尿液有形成分识别 |
| 4.1 医学图像识别技术概述 |
| 4.1.1 基于深度学习的医学图像识别技术 |
| 4.1.2 基于神经网络的医学图像识别技术 |
| 4.2 基于改进BP神经网络的尿液有形成分识别 |
| 4.2.1 基于BP神经的图像识别 |
| 4.2.2 基于 GA-BP 的尿液有形成分识别 |
| 4.3 本章小结 |
| 第5章 算法设计与实验结果 |
| 5.1 算法设计 |
| 5.1.1 分割算法设计 |
| 5.1.2 识别算法设计 |
| 5.2 实验结果与分析 |
| 5.2.1 图像分割实验 |
| 5.2.2 图像识别实验 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）基于图像处理的大豆杂草识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 杂草识别研究现状 |
| 1.2.2 图像处理技术研究现状 |
| 1.2.3 人工神经网络研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 图像获取与图像预处理 |
| 2.1 引言 |
| 2.2 大豆杂草实验数据集 |
| 2.3 图像灰度化 |
| 2.4 基于中值滤波与小波滤波图像去噪 |
| 2.4.1 极值自适应中值滤波去噪 |
| 2.4.2 小波阈值图像去噪 |
| 2.4.3 混合滤波去噪 |
| 2.4.4 实验结果与对比分析 |
| 2.5 图像增强 |
| 2.5.1 直方图均衡增强 |
| 2.5.2 多尺度Retinex图像增强 |
| 2.5.3 实验结果与对比分析 |
| 2.6 本章小结 |
| 第三章 图像背景分割及优化处理 |
| 3.1 引言 |
| 3.2 图像二值化 |
| 3.2.1 双峰法 |
| 3.2.2 迭代法 |
| 3.2.3 最大类间方差法（Otsu） |
| 3.2.4 二值化处理 |
| 3.3 形态学图像处理方法 |
| 3.4 本章小结 |
| 第四章 作物和杂草特征参数提取 |
| 4.1 引言 |
| 4.2 边缘检测算法轮廓提取 |
| 4.2.1 传统边缘检测算法研究 |
| 4.2.2 改进Canny算法 |
| 4.2.3 仿真实验及结果分析 |
| 4.3 杂草形状特征参数提取 |
| 4.3.1 区域形状特征 |
| 4.3.2 RST不变性形状特征 |
| 4.3.3 不变矩特征计算 |
| 4.3.4 形状特征提取结果及分析 |
| 4.4 杂草纹理特征参数提取 |
| 4.4.1 灰度共生矩阵 |
| 4.4.2 纹理特征参数 |
| 4.4.3 纹理特征提取结果及分析 |
| 4.5 本章小结 |
| 第五章 基于BP神经网络的杂草识别方法研究 |
| 5.1 引言 |
| 5.2 BP神经网络基本原理 |
| 5.2.1 基于BP算法的多层感知器模型 |
| 5.2.2 BP神经网络算法步骤 |
| 5.2.3 BP神经网络参数介绍 |
| 5.3 基于不同特征参数构建杂草识别模型 |
| 5.3.1 网络模型结构设计 |
| 5.3.2 仿真实验与结果分析 |
| 5.4 传统模型与本文模型识别效果对比 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（7）基于插值运算的分数阶微分掩模与FPCA的马铃薯病害识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像增强研究现状 |
| 1.2.2 图像分割研究现状 |
| 1.2.3 特征降维技术研究现状 |
| 1.2.4 识别技术研究现状 |
| 1.3 研究目标及其内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.4.3 具体研究方案 |
| 1.5 论文的组织结构 |
| 2 基于分数阶微分的病害图像的获取与病斑提取 |
| 2.1 马铃薯病害图像特点及其防治方法 |
| 2.2 分数阶微分理论介绍 |
| 2.3 基于插值运算的分数阶微分模板设计 |
| 2.4 IOFDM增强图像实验结果分析 |
| 2.4.1 IOFDM用于一般图像增强 |
| 2.4.2 IOFDM用于马铃薯叶片增强 |
| 2.5 马铃薯叶片病斑图像提取 |
| 2.5.1 阴影与背景的去除 |
| 2.5.2 病斑提取 |
| 2.6 本章小结 |
| 3 马铃薯叶面病害的特征提取与融合 |
| 3.1 颜色特征提取 |
| 3.1.1 彩色模型 |
| 3.1.2 颜色矩 |
| 3.2 纹理特征提取 |
| 3.2.1 灰度共生矩阵 |
| 3.3 形状特征提取 |
| 3.3.1 Hu不变矩 |
| 3.4 主成分分析 |
| 3.5 分数阶在PCA中的应用 |
| 3.5.1 分数阶方差 |
| 3.5.2 分数阶协方差理论 |
| 3.5.3 分数阶主成分分析理论 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 4 马铃薯病害识别方法研究 |
| 4.1 支持向量机 |
| 4.1.1 线性可分情形 |
| 4.1.2 线性不可分情形 |
| 4.1.3 SVM分类器设计 |
| 4.2 BP神经网络 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（8）基于图像处理的烟叶成熟度鉴别方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 烟叶图像处理方法研究现状及分析 |
| 1.2.2 烟叶成熟度的鉴别方法研究现状及分析 |
| 1.3 当前研究存在的主要问题 |
| 1.4 本文主要研究内容与技术路线 |
| 1.5 本章小结 |
| 第2章 模式识别方法 |
| 2.1 BP神经网络 |
| 2.2 支持向量机 |
| 2.3 深度卷积神经网络 |
| 2.3.1 深度卷积神经网络概述 |
| 2.3.2 优化器的选择 |
| 2.3.3 避免过拟合的方法 |
| 2.4 本章小结 |
| 第3章 基于传统机器学习的烟叶成熟度鉴别方法 |
| 3.1 烟叶图像的采集 |
| 3.2 烟叶图像的预处理 |
| 3.2.1 烟叶图像的去噪 |
| 3.2.2 烟叶图像的光照平衡 |
| 3.2.3 烟叶图像的分割 |
| 3.3 烟叶图像的特征提取 |
| 3.4 基于图像处理的烟叶成熟度BP神经网络鉴别方法 |
| 3.4.1 建立基于BP神经网络的烟叶成熟度鉴别模型 |
| 3.4.2 模型IMTLR-BPNN的结果与分析 |
| 3.5 基于图像处理的烟叶成熟度支持向量机鉴别方法 |
| 3.5.1 建立基于支持向量机的烟叶成熟度鉴别模型 |
| 3.5.2 模型IMTLR-SVM的结果与分析 |
| 3.6 本章小结 |
| 第4章 基于深度学习的烟叶成熟度鉴别方法 |
| 4.1 烟叶图像的数据增强 |
| 4.2 基于图像处理的烟叶成熟度Alex Net鉴别方法 |
| 4.2.1 模型IMTLR-Alex Net的网络结构 |
| 4.2.2 基于Alex Net的模型训练过程与结果分析 |
| 4.2.3 基于Alex Net各优化器下的模型比较 |
| 4.3 基于图像处理的烟叶成熟度VGG16Net鉴别方法 |
| 4.3.1 模型IMTLR-VGG16Net的网络结构 |
| 4.3.2 IMTLR-VGG16Net的训练过程与结果分析 |
| 4.4 基于图像处理的烟叶成熟度鉴别方法比较 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所发表论文及参与课题 |
（9）基于多尺度卷积神经网络的交通标志检测与识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 交通标志检测与识别的背景和意义 |
| 1.2 交通标志检测与识别的研究现状 |
| 1.3 交通标志检测与识别的基本过程 |
| 1.4 本文的主要工作 |
| 1.5 本章小结 |
| 第二章 交通标志图像识别的理论基础 |
| 2.1 图像特征描述子 |
| 2.2 卷积神经网络的结构 |
| 2.2.1 数据输入层 |
| 2.2.2 卷积层 |
| 2.2.3 池化层(Pooling) |
| 2.2.4 连接层 |
| 2.3 本章小结 |
| 第三章 交通标志图像检测模型建立 |
| 3.1 交通标志图像检测过程 |
| 3.2 图像预处理 |
| 3.2.1 尺寸归一化 |
| 3.2.2 图像增强 |
| 3.3 颜色特征空间 |
| 3.3.1 常见色彩模型 |
| 3.3.2 颜色特征的选择 |
| 3.4 基于HSV的图像处理及区域分割 |
| 3.5 改进的组合矩特征 |
| 3.5.1 Legendre矩特征 |
| 3.5.2 小波不变矩特征 |
| 3.5.3 改进的组合矩特征 |
| 3.6 基于SVM分类器的交通标志检测 |
| 3.6.1 SVM分类器 |
| 3.6.2 基于改进组合矩特征的SVM标志区域判别实验 |
| 3.7 本章小结 |
| 第四章 基于多尺度卷积神经网络的交通标志识别研究 |
| 4.1 GTSRB数据集与实验条件 |
| 4.2 多尺度改进卷积神经网络模型设计 |
| 4.2.1 LeNet-5网络 |
| 4.2.2 多尺度改进卷积神经网络 |
| 4.3 Softmax分类器 |
| 4.4 实验结果与分析 |
| 4.4.1 权重初始化方式选择 |
| 4.4.2 激活函数选择 |
| 4.4.3 优化器选择 |
| 4.4.4 Dropout参数设置 |
| 4.4.5 网络训练结果 |
| 4.5 与其他模型的比较 |
| 4.5.1 多尺度改进卷积神经网络与单一尺度卷积神经网络比较 |
| 4.5.2 多尺度改进卷积神经网络和其它方法的比较 |
| 4.6 模型识别效果 |
| 4.7 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间发表论文及成果 |
（10）温室黄瓜病害图像识别方法研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 黄瓜病害图像识别概述 |
| 2.1 黄瓜病害概述 |
| 2.2 图像识别理论与技术 |
| 2.2.1 病害图像分割 |
| 2.2.2 病斑特征提取 |
| 2.2.3 模式识别技术 |
| 2.3 病害图像采集 |
| 2.3.1 图像采集硬件装置 |
| 2.3.2 图像采集环境 |
| 2.3.3 图像采集方法 |
| 2.4 本章小结 |
| 第三章 图像预处理与分割设计 |
| 3.1 图像预处理 |
| 3.1.1 图像增强处理 |
| 3.1.2 图像平滑去噪处理 |
| 3.2 图像分割 |
| 3.3 本章小结 |
| 第四章 病害图像特征提取 |
| 4.1 病害叶片颜色特征提取 |
| 4.1.1 颜色直方图 |
| 4.1.2 颜色矩 |
| 4.1.3 测试样本颜色特征值提取 |
| 4.2 病害叶片纹理特征提取 |
| 4.2.1 纹理特征 |
| 4.2.2 纹理特征的提取 |
| 4.2.3 纹理特征提取结果 |
| 4.3 本章小结 |
| 第五章 黄瓜病害模式识别 |
| 5.1 模式识别的方法 |
| 5.2 基于支持向量机黄瓜病害识别 |
| 5.2.1 支持向量机概述 |
| 5.2.2 模式的构建 |
| 5.2.3 模式识别训练与测试 |
| 5.2.4 实验结果及分析 |
| 5.3 基于BP神经网络的黄瓜病害识别 |
| 5.3.1 BP神经网络概述 |
| 5.3.2 BP神经网络的训练和测试 |
| 5.3.3 实验结果及分析 |
| 5.4 黄瓜病害识别结果对比分析 |
| 5.5 本章小结 |
| 第六章 黄瓜病害识别系统设计与实现 |
| 6.1 设计需求分析 |
| 6.1.1 系统需求背景 |
| 6.1.2 系统功能需求分析 |
| 6.1.3 系统非功能需求分析 |
| 6.2 系统开发环境 |
| 6.3 系统架构设计 |
| 6.4 移动客户端设计与实现 |
| 6.4.1 移动端的开发环境 |
| 6.4.2 移动客户端功能设计 |
| 6.4.3 移动客户端实现流程 |
| 6.4.4 移动客户端UI设计 |
| 6.5 服务器端设计与实现 |
| 6.5.1 服务器端开发环境 |
| 6.5.2 服务器端的搭建 |
| 6.5.3 服务器端的功能设计 |
| 6.5.4 数据库的建立 |
| 6.5.5 病害识别算法调用 |
| 6.6 客户端与服务器端的通信实现 |
| 6.7 系统的测试与结果分析 |
| 6.7.1 测试方案设计 |
| 6.7.2 功能测试 |
| 6.7.3 用户界面(UI)测试 |
| 6.7.4 性能测试 |
| 6.7.5 系统测试结果和评价 |
| 6.8 本章小结 |
| 第七章 结论与展望 |
| 7.1 总结 |
| 7.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
四、基于Legendre矩和BP神经网络的纹理分割（论文参考文献）
- [1]基于遥感纹理特征的北京市森林蓄积量估测模型研究[D]. 李海月. 北京林业大学, 2020(04)
- [2]基于小波矩的声呐图像特征提取方法研究[D]. 高强. 大连理工大学, 2020(02)
- [3]不同波段光源和光照强度对烟叶分级的影响研究[D]. 秦芝乾. 贵州大学, 2020(04)
- [4]基于机器视觉的煤质检测关键技术研究[D]. 白亚腾. 中国矿业大学, 2020(07)
- [5]基于BP神经网络的尿液有形成分识别算法研究[D]. 刘晓彤. 重庆邮电大学, 2020(02)
- [6]基于图像处理的大豆杂草识别方法研究[D]. 侯雨. 吉林农业大学, 2020(03)
- [7]基于插值运算的分数阶微分掩模与FPCA的马铃薯病害识别方法研究[D]. 钟玉蝶. 成都大学, 2020(08)
- [8]基于图像处理的烟叶成熟度鉴别方法[D]. 谢滨瑶. 西南大学, 2020(01)
- [9]基于多尺度卷积神经网络的交通标志检测与识别[D]. 彭泽民. 长沙理工大学, 2020(07)
- [10]温室黄瓜病害图像识别方法研究及应用[D]. 丁莲. 电子科技大学, 2020(07)