结合图像处理、模式识别等技术辅助进行植物叶分类识别已经比较成熟。但目前常用的分类方法单一,分类特征单一,分类过分依赖于人。本文通过提取植物叶片的形状特征和叶脉特征对叶片数据库中的210种叶片进行自动分类研究。论文的主要工作如下,第一部分,介绍了研究课题的研究意义以及国内外研究现状。为体现整个分类的过程是自动分类,在叶片图像预处理过程中,叶柄的剔除采用形态学处理方法。对叶图像进行灰度化、二值化、形态学处理等的预处理步骤,为特征提取做好准备工作。第二部分,植物叶图像的形状特征和纹理特征的提取与分析。提取出预处理后的叶图像的轮廓和最小外接矩形,计算出本文需要的形状特征,如矩形度、延伸率、等效圆半径、似圆率、椭圆率、离心率和7项Hu不变矩;再计算灰度化后的叶图像的灰度共生矩阵,通过灰度共生矩阵计算得到植物叶图像的能量、熵、惯性矩和相关等纹理参数,进而计算出纹理特征。最后,通过实验分析形状特征和纹理特征的各特征分类能力的强弱分析及有效性。第三部分,提取并分析本文提出的叶图像的叶脉特征。使用改进的Sobel算子检测出8方向边缘(叶脉),融合8个方向的叶脉图像得到完整的叶脉图像;再对叶脉图像进行两次去噪等的图像预处理过程;最后,提取出本文提出的新叶脉特征,如叶脉端点、分叉点,计算各点到中心点(叶脉曲率最大点)的距离获得叶脉特征。最后,通过实验分析叶脉特征的有效性及强弱性。第四部分,通过实验比较支持向量机和BP神经网络的分类效果,分析实验结果,选定本文的分类器-支持向量机。然后使用支持向量机分类器训练学习训练样本中叶片的形状特征和纹理特征,使用得到的分类函数对测试样本进行初次分类,其正确率为91%;再使用形状特征、纹理特征和叶脉特征通过支持向量机对初次分类中未正确分出类的叶片种类进行训练学习,对未正确分类的测试样本进行再次分类。经再次分类后的分类正确率为96.1%。