叶片识别是计算机视觉的一个重要应用,在现代农业和生物科学中都有着重要的研究意义。由于叶片中存在小的类间差异和大的类内变化,再加上叶片自遮挡、叶片残缺和图像噪声等干扰因素,叶片的精准识别依然是一大难点。相比于传统的基于轮廓的特征描述方法,基于区域的结构积分变换(Structure Integral Transform,SIT)在层次化描述框架下,从叶片区域内所有像素点中提取出叶片的结构特征,这种特征对叶片自遮挡、轮廓残缺和图像噪声更鲁棒。但SIT中核心的线积分只是计算积分线的长度,不能有效地描述叶片细节,且没有利用叶片图像中关键的灰度信息,对叶片的表征能力有限。另外,SIT依据人为设定的规则提取特征,这些特征存在一定程度的冗余。利用字典学习可以学习得到不同种类叶片中存在的公共形状模式,得到更稀疏更具有区分度的特征,提高叶片的识别率。故本文研究如何基于SIT同时提取灰度叶片的结构信息和细节信息,并利用字典学习减少特征冗余,构建更具辨识力的叶片形状描述子。论文的主要研究工作如下:(1)针对灰度叶片中关键的结构和细节特征,本文提出了基于多尺度分段线积分的灰度结构积分变换(Grayscale SIT Based on Multi-scale Piecewise Line Integral,MGSIT),构建对灰度叶片多尺度的结构化描述。首先,基于整个叶片形状,设计二维的分割结构,构建分层的结构化描述框架;其次,在二维分割结构上对灰度形状做线积分;再次,对二维分割结构中的积分线进行多尺度的二等分操作并分段对灰度形状积分。更高的尺度意味着对积分线二等分的次数更多,得到的积分线段更短,可以从中提取到更细节的特征;最后构建不变形状描述子以实现叶片识别。实验结果表明该算法能有效地表征叶片,提高了品种叶片识别和物种叶片识别的性能,在一般的形状识别任务中也具有很好的泛化性。(2)针对不同种类叶片中存在的公共形状模式,本文提出了基于结构积分变换的字典学习方法(Dictionary Learning based on SIT,DLSIT),构建更稀疏更具辨识力的叶片描述子,该方法能在一定程度上减少特征冗余。首先,利用字典学习从训练集叶片中,学习得到MgSIT在每个尺度上的字典;然后,对测试集叶片利用每个尺度上的字典得到叶片的稀疏表示,并对每个尺度的稀疏表示做模式计数构成最终的叶片描述;最后,用1NN分类器实现叶片分类。实验结果表明该算法不仅在性能上优于MGSIT,而且减少了特征冗余。本文主要的贡献在于为提取灰度叶片中的结构信息和细节信息,提出多尺度分段线积分策略构建叶片形状描述子,并引入字典学习得到更稀疏更具有区分度的叶片描述。实验结果表明,本文提出的算法在有着丰富内部细节的品种叶片和物种叶片的识别任务上性能有较大的提升,且在轮廓信息不够准确或形变较大的一般形状的识别任务中能发挥出更大的优势。