植物分类识别是重要的基础研究。它的分类识别有助于人们有效地理解植物。随着人工智能与机器视觉技术的发展,基于图像处理与机器学习的植物分类技术成为当前植物分类学的研究热点。叶片作为植物重要组成部分,通常被用作植物图像识别的重要目标,目前大部分植物分类识别的研究是在单一背景下进行的,但复杂背景在叶片图像提取过程中无法避免,而且基于复杂背景的叶片识别研究较少,本文对包含复杂背景的植物叶片的识别方法进行研究。复杂背景下叶片识别大多是从复杂背景下分割出单一叶片,并对其识别,现有研究存在分割效果较差,容易出现过分割现象。针对植物叶片在现实环境中的分类识别中存在的弊端,本文对叶子图片的分割方法与叶片识别方法进行了深入了解,提出一种叶片图像在复杂背景下的识别算法。本文主要研究内容如下:1.植物叶片分割:对标记分水岭算法进行研究,针对复杂背景下叶片特点,将彩色叶片图像转换到超绿空间,进行阈值分割,去除非绿背景;然后将叶片图像从RGB(Red Green Blue)空间转换到HSI(Hue Saturation Intensity)空间;对复杂背景下植物叶片进行基于开闭的重建操作,在重建图像的基础上对叶片进行分割提取。2.叶片特征提取:对分割出的单一背景叶片进行预处理后提取分块LBP(Local Binary Patterns)作为叶片纹理特征,提取叶片Hu式不变矩作为形状特征。3.叶片特征降维:为了提高特征识别效率,使用LLE(Local Linear Embedding)算法对分块LBP(Local Binary Patterns)特征进行降维。4.植物叶片分类识别:在上述研究基础上,拍摄叶子图片建立样本库,在MATLAB平台上建立SVM(Support Vector Machine)分类器,对样本进行学习分类,并识别。叶片分割结果显示本文算法能够对复杂背景下多种叶片进行有效分割,基于特征降维与融合的叶片分类识别算法能有效提高植物叶片识别效率。