基于图像分析的植物及其病虫害识别方法研究PDF电子书下载

第1章 绪论 1

1.1 研究背景及意义 1

1.2 研究现状概述 4

1.3 主要植物叶片数据集介绍 11

参考文献 15

第2章 叶片图像分类特征及图像预处理 20

2.1 叶片图像识别步骤 20

2.2 植物叶片图像的分类特征 21

2.3 植物叶片图像预处理技术 33

参考文献 45

第3章 植物叶片图像常用的分割方法 56

3.1 图像分割定义 56

3.2 基于边缘检测的图像分割方法 57

3.3 基于灰度阈值的图像分割方法 64

3.4 基于区域的图像分割方法 70

3.5 分水岭算法 72

3.6 基于小波的图像分割方法 74

3.7 基于聚类分析的图像分割方法 75

3.8 基于水平集的图像分割方法 79

3.9 基于图论的图像分割方法 79

参考文献 81

第4章 最大最小判别映射植物叶片图像分类方法研究 95

4.1 最大最小判别映射方法 96

4.2 实验结果与分析 102

4.3 小结 105

参考文献 105

第5章 基于叶片图像和监督正交最大差异伸展的植物识别方法研究 108

5.1 监督正交最大差异投影算法 109

5.2 实验结果与分析 112

5.3 小结 115

参考文献 116

第6章 采用局部判别映射算法的玉米病害识别方法研究 119

6.1 局部判别映射算法 121

6.2 实验结果与分析 124

6.3 小结 126

参考文献 127

第7章 监督正交局部保持映射的植物叶片分类方法研究 130

7.1 监督正交局部保持映射 131

7.2 实验结果与分析 137

7.3 小结 141

参考文献 141

第8章 基于叶片图像处理和稀疏表示的植物识别方法 146

8.1 稀疏表示和植物识别 148

8.2 实验结果与分析 156

8.3 小结 159

参考文献 160

第9章 基于稀疏表示字典学习的植物分类方法 162

9.1 基于稀疏表示的植物分类方法 164

9.2 实验结果与分析 168

9.3 小结 174

参考文献 174

第10章 环境信息在黄瓜病害识别方法中的应用研究 179

10.1 叶片图像获取 179

10.2 实验结果与分析 182

10.3 小结 186

参考文献 187

第11章 基于判别映射分析的植物叶片分类方法 191

11.1 最大边缘准则（MMC） 192

11.2 判别映射分析算法（DPA） 192

11.3 实验结果 194

11.4 小结 195

参考文献 196

第12章 基于卷积神经网络的植物病害识别方法 198

12.1 植物病害识别方法的简介 198

12.2 卷积神经网络 200

12.3 基于三通道CNNs的植物病害识别方法 204

12.4 实验结果与分析 206

12.5 小结 210

参考文献 211

第13章 基于环境信息和深度自编码网络的农作物病害预测模型 214

13.1 农作物的致病因素及病害预测模型简介 214

13.2 材料与方法 215

13.3 实验结果与分析 220

13.4 小结 221

参考文献 222

第14章 基于改进深度置信网络的大棚冬枣病虫害预测模型 225

14.1 冬枣病虫害及预测模型简介 225

14.2 植物病虫害环境信息获取 225

14.3 深度置信网络 226

14.4 冬枣病虫害预测模型 231

14.5 实验方法 232

14.6 小结 234

参考文献 234

后记 239