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