随着数码技术的飞速发展,数字图像呈爆炸式增长。面对如此种类繁多的图像,有效提高其分类效果成为目前一个亟需解决的核心问题。特别地,花卉种类成千上万,且每类花卉图像存在着诸如花卉主体的形状、颜色等本身特性,同时又具有与其他各类花卉图像相同的绿叶、背景等共性,花卉的分类效果并不理想。因此,如何利用图像分类技术,准确识别出花卉的类别,帮助人们借此熟识花卉的外观及其生长环境,提高花卉养殖技术,具有重要的研究价值。稀疏编码是一种协同表示特征特有成分和共有成分的重要方法。为有效提高图像类别的判别性,本文对基于约束稀疏编码和特征加权融合的花卉图像分类方法进行了研究。主要包含以下三方面内容:(1)给出了一种基于约束稀疏编码的视觉字典生成模型。该生成模型旨在为每一类别的图像特征生成一种独属于该类的特定类字典,并为全部类别的图像特征生成一种同属于所有类别的共享字典。为提高特征表示和字典的判别性,首先在扩展的稀疏编码表达式中增加了两个约束项,一个用于限制其他类别特定类字典对本类图像特征表示的影响,第二个用于限制字典内各基原子间的相关性。然后将一个对应全局字典的惩罚项参数拆分成两个对应特定类字典和共享字典的惩罚项参数,用于分别控制全局编码中对应这两种字典系数部分的稀疏性。最后在the Oxford Flower-17数据集上进行实验,验证了该字典生成模型的有效性。(2)给出了一种基于特征加权融合的稀疏编码分类方法。根据稀疏编码的分类思想,首先在全局编码分类模型和局部编码分类模型的基础之上,设计了一种加权编码分类模型,该分类模型采用加权的方式将分别对应全局编码和局部编码的重建损失进行了融合。然后在引入了图像的多特征提取之后,给出一种基于特征加权融合的稀疏编码分类方法,该分类方法将多种特征经过一次融合得出的重建损失再次进行加权融合,将最终的重建损失用于图像的类别判定。最后在the Oxford Flower-17数据集上进行实验,验证了该图像分类方法的有效性。(3)实现了一个花卉图像分类原型系统。根据上述研究成果,在Matlab 7.0平台上,设计并实现了一个基于约束稀疏编码和特征加权融合的花卉图像分类原型系统。