●第1章緒論1
1.1研究背景及意義1
1.2研究現狀概述4
1.3主要植物葉片數據集介紹11
參考文獻15
第2章葉片圖像分類特征及圖像預處理20
2.1葉片圖像識別步驟20
2.2植物葉片圖像的分類特征21
2.3植物葉片圖像預處理技術33
參考文獻45
第3章植物葉片圖像常用的分割方法56
3.1圖像分割定義56
3.2基於邊緣檢測的圖像分割方法57
3.3基於灰度閾值的圖像分割方法64
3.4基於區域的圖像分割方法70
3.5分水嶺算法72
3.6基於小波的圖像分割方法74
3.7基於聚類分析的圖像分割方法75
3.8基於水平集的圖像分割方法79
3.9基於圖論的圖像分割方法79
參考文獻81
第4章優選最小判別映射植物葉片圖像分類方法研究95
4.1優選最小判別映射方法96
4.2實驗結果與分析102
4.3小結105
參考文獻105
第5章基於葉片圖像和監督正交優選差異伸展的植物識別方法研究108
5.1監督正交優選差異投影算法109
5.2實驗結果與分析112
5.3小結115
參考文獻116
第6章采用局部判別映射算法的玉米病害識別方法研究119
6.1局部判別映射算法121
6.2實驗結果與分析124
6.3小結126
參考文獻127
第7章監督正交局部保持映射的植物葉片分類方法研究130
7.1監督正交局部保持映射131
7.2實驗結果與分析137
7.3小結141
參考文獻141
第8章基於葉片圖像處理和稀疏表示的植物識別方法146
8.1稀疏表示和植物識別148
8.2實驗結果與分析156
8.3小結159
參考文獻160
第9章基於稀疏表示字典學習的植物分類方法162
9.1基於稀疏表示的植物分類方法164
9.2實驗結果與分析168
9.3小結174
參考文獻174
第10章環境信息在黃瓜病害識別方法中的應用研究179
10.1葉片圖像獲取179
10.2實驗結果與分析182
10.3小結186
參考文獻187
第11章基於判別映射分析的植物葉片分類方法191
11.1優選邊緣準則（MMC）192
11.2判別映射分析算法（DPA）192
11.3實驗結果194
11.4小結195
參考文獻196
第12章基於卷積神經網絡的植物病害識別方法198
12.1植物病害識別方法的簡介198
12.2卷積神經網絡200
12.3基於三通道CNNs的植物病害識別方法204
12.4實驗結果與分析206
12.5小結210
參考文獻211
第13章基於環境信息和深度自編碼網絡的農作物病害預測模型214
13.1農作物的致病因素及病害預測模型簡介214
13.2材料與方法215
13.3實驗結果與分析220
13.4小結221
參考文獻222
第14章基於改進深度置信網絡的大棚鼕棗病蟲害預測模型225
14.1鼕棗病蟲害及預測模型簡介225
14.2植物病蟲害環境信息獲取225
14.3深度置信網絡226
14.4鼕棗病蟲害預測模型231
14.5實驗方法232
14.6小結234
參考文獻234
後記239

利用植物葉片圖像對植物分類和病害識別是目前較為有效的方式之一，也是未來數字化植物研究的發展趨勢。這一方法對植物物種的智能化分類，有效預防農作物病害發生，提高農作物產量，有效控制農藥對農產品和生態環境的污染等方面，都具有非常重要的現實意義。本書在總結國內外現有研究成果的基礎上，以提高植物及其病害識別的準確率和效率為目標，對植物葉片及其葉部病害的圖像分割、特征提取等關鍵技術開展了繫統研究。

張傳雷,張善文,李建榮 著 王建 編