植物叶片形状特征提取算法研究开题报告

1. 研究目的与意义

研究背景：我国的林业资源丰富，急需对林业资源进行整合，植物鉴别是这项工作的基础，但由于人工鉴别效率跟准确度都较低，所以急需计算机取代人工识别。

采用方法：提取植物叶片的多种特征，通过降维的方式获取对识别影响较大的特征，最后通过聚类分析，达到对植物叶片识别的效果。

极大的解放了人力，并且提高识别的准确度跟效率，对于后续对植物基因以及环境对植物影响的研究有很大的好处。

2. 国内外研究现状分析

2007年，ling和jacobs利用轮廓内最小距离改进了形状上下文，使用动态规划对植物叶片的形状进行匹配。

2013年，satti 将颜色特征、形状特征、叶片边缘齿轮特征相结合，将结果输入到人工神经网络中对植物叶片进行识别，获得较好的效果。

2005年，申家振，张艳宁，刘涛提出了形状匹配的自适应边界点选取的形状上下文方法 ，通过计算代价矩阵，得到图片的相似程度，取得了较好的匹配效果。

3. 研究的基本内容与计划

研究内容：对图像进行预处理，通过最大类间方法对叶片跟背景分割。

提取出图像的多种特征，对特征进行降维筛选，选取出对叶片识别影响最大的特征。

通过对特征的聚类分析，将叶片识别出。

4. 研究创新点

特色：提取出叶片的矩形度、横纵比、复杂度、周径比、球状性、叶状性等多种特征，采用PCA降维，筛选出对图片识别影响最大的特征，再对多种特征采用基于密度的聚类分析。

创新：在特征的选取方式上，将图像的颜色特征如：RGB均值、HSV中H的8个均值等考虑其中，并且将图像边缘测绘的凸包面积等特征加入筛选范围。