葉片顏色與含水率的關系研究畢業(yè)論文(參考版)
2025-06-29 09:06本頁面
【正文】 最終從不同的模型中歸納總結出能代表不同樹葉顏色與其葉片含水率的一般模型，而這個模型將在農(nóng)業(yè)、林業(yè)等方面發(fā)揮更大的作用。未來，可以采集不同類型的葉片圖像，例如槐樹、楊樹等等。所以本次研究所建立的六個一元或多元回歸模型并不能非常準確地反映梧桐葉片含水率和葉片顏色之間的關系。(1) 數(shù)據(jù)量較?。ㄖ挥?0組），這就導致得出的模型具有局限性。在對RGB圖像用Matlab處理并提取了圖像的特征參數(shù)后建立了特征參數(shù)與葉片含水率的回歸模型，最終給出了葉片顏色與葉片含水率的定量模型，并對模型進行了驗證，證明了得出的回歸方程是有意義的。結果表明：梧桐葉片RGB圖像的三原色紅色、綠色和藍色三個分量的平均值與圖像標準差對葉片含水率所建立的四元回歸模型可以較為準確的定量分析梧桐葉片顏色和含水率之間的關系。從結果中可以看到預測值與實際值之間的差異非常小，這就說明模型四的擬合結果是比較好的。 采用模型四對上述三組圖像進行處理，將圖像的數(shù)據(jù)代入公式（44）中，然后得出葉片含水率的預測值。即葉片的含水率可以通過RGB圖像三原色紅色、綠色和藍色的平均值和圖像的標準差來估計。在這其中模型五的擬合效果是最差的。 模型比較 將葉片含水率的原始值和所有模型的預測值放到同一個表中進行比較和分析，見表 41。 模型六：六元回歸模型分別將RGB圖像三原色紅色、綠色和藍色的三個平均值和三個標準差這六個變量作為自變量，葉片含水率為因變量建立六元回歸模型。（數(shù)據(jù)見表33，代碼和運行結果見附錄3）分析：由上述運算結果可知變異系數(shù)和葉片含水率的多元回歸模型為： (45) 同時結果顯示。（數(shù)據(jù)見表33，代碼和運行結果見附錄3）分析：由上述運算結果可知自變量和葉片含水率的四元回歸模型為： (44)同時結果顯示，拒絕原假設，回歸效果是顯著的，線性回歸方程有意義。但平均值的，說明在這個模型中，平均值的效果并不顯著。（數(shù)據(jù)見表33，代碼和運行結果見附錄3） 擬合圖形如圖 43所示：圖 43 平均值和標準差二元回歸模型擬合圖分析：由上述運算結果可知平均值和標準差的二元回歸模型為： （43）同時結果顯示。結合對值和擬合曲線和分析可以得出這個一元回歸模型可以較為準確地反映葉片顏色和葉片含水率之間的關系。從方程和圖像可以看出標準差和葉片含水率成正比，即隨著標準差的增加葉片含水率也在不斷增加。結合對值和擬合曲線的分析可以得出這個一元回歸模型并不能較為準確地反映葉片顏色和葉片含水率之間的關系。從方程和圖像可以看出變異系數(shù)和葉片含水率成反比，同時從圖像可以看出數(shù)據(jù)點是非常分散地分布在擬合曲線附近的。（代碼見附錄3）表 33 RGB圖像的平均值和標準差數(shù)據(jù)葉片編號分量平均值分量標準差平均值標準差葉片含水率12345678910111213141516171819204 建立回歸模型 模型一：基于二值化圖像變異系數(shù)的一元回歸模型 將圖片的變異系數(shù)作為自變量，葉片含水率為因變量建立一元回歸模型。（代碼見附錄2） 表 32 葉片的平均值，標準差以及變異系數(shù)葉片編號平均值標準差變異系數(shù)葉片含水率1234567891011121314151617181920 (2)RGB圖像數(shù)據(jù)處理結果將RGB圖像批量導入Matlab中，分別求紅色（R）、綠色（G）、藍色（B） 三色各自的平均值、標準差以及整個圖像的平均值、標準差。 數(shù)據(jù)處理結果(1)在Matlab中對二值化后的圖像分別求整個圖像的平均值和標準差并計算變異系數(shù)。因此，模型一以變異系數(shù)為自變量來構建一元回歸模型。如果度量標準不同和（或）平均值不相等時，就不能采用標準差來比較其變異程度，而需采用變異系數(shù)（），即標準差與平均值的比值（相對值）來比較。 （3）變異系數(shù)衡量的是樣本中各個數(shù)據(jù)的變異程度。標準差與平均值并不等價，即使兩個數(shù)據(jù)集的平均值是相等的，其標準差也未必相同。它在概率統(tǒng)計中最常用來測量統(tǒng)計數(shù)據(jù)的分布程度。但它極易受極端數(shù)據(jù)的影響，這是因為平均值對數(shù)據(jù)值的變化反應靈敏，每個數(shù)據(jù)的每個微小變化都會導致不同的結果。 imshow(A)
環(huán)評公示相關推薦
鄂ICP備17016276號-1