作业小组文字

1、标题：基于图像处理和SVM技术的植物叶片分类试验选题背景与研究意义从科研角度来说，植物是生态系统中重要的角色，对植物进行分类研究是植物研究与保护中重要的工作，而传统的植物分类识别方法是通过选取根茎叶、花果实种子等植物局部特征，根据特征来识别和鉴定植物的种类，首先需要调查和收集样本，专业人员依据已有的鉴定植物的索引表，对样本逐条查找，直到查出植物所属科、属、种，传统鉴定方法工作效率低且工作量大，并且客观性难以保证。随着计算机技术的发展，运用计算机技术进行图像处理分析成为趋势，如果我们选择的植物特征是能够通过图像处理得到的，例如植物叶片的性状和纹理等，便能够利用计算机图像处理来提取叶片信息，也就是

2、通过提取植物叶片的特征参数来完成识别的过程，能够大大改善传统方式下的低效和缺乏客观性。从实用前景的角度来看，植物叶片是难以用文字单纯描述的检索对象，我们平时看到感兴趣的植物，可能是不知名的，一般情况下在了解植物名称时，只能通过专家或有关经验的人口头告知，了解并命名的周期比较长。若通过手机的软件能够识别植物，便能够大大缩短获取信息的周期，极大的便利了查询的过程。目前已有此种软件，由美国哥伦比亚大学、马里兰大学和史密森博物馆联合发起了手机应用leafsnap，将目标植物的叶子在白色背景下拍照并上传，就能识别出种属名，不过数据库尚只支持纽约和华盛顿附近树种。我们小组综合这两部分的研究意义，结合目前的

3、技术水平，将研究问题确定为：，试验目标不是做成成型的实用系统，而是通过文献调研和程序实现，体会系统工作流程，对关键的技术和方法进行小规模试验。已有研究成果调研理论调研针对该选题，具体研究内容可以分为三部分：植物叶片图像预处理、叶片特征值的提取、植物叶片分类识别。图像预处理：包括图像灰度化、图像降噪、图像分割、形态学处理（如去叶柄）以及位置归一化等环节，在不同的识别情况下需要根据实际情况选择应用，如需要处理颜色特征时则不进行图像灰度化的处理。【我们做了哪些】叶片特征值提取：首先考虑植物叶片的特征类型：包括形状特征、纹理特征和颜色特征。形状特征又具体的包括：基于区域的几何特征、不变矩特征以及叶片的

4、结构特征。纹理特征有基于灰度直方图的统计测度、基于灰度共生矩阵的纹理特征量和基于游程的纹理描述特征。不同的特征对应着不同的提取方法，我们通过查阅文献得到各个特征提取对应的方法：提取形状特征：弗里曼链码法、傅里叶描述子、多尺度曲率空间方法( CSS) 、细胞神经网络提取叶脉提取纹理特征：分形维数、小波变换、Gabor小波变换、局域二值模式以及Gabor 分块局域二值模式方法提取颜色特征：RGB 颜色空间模型、HSI 颜色空间模型以及YIQ、Lab 等七种模型叶片特征值提取需要首先选择特征参数，我们小组从特征价值的分类价值以及是否易于描述的角度出发，选择了【】作为叶片特征值提取的参数。分类识别：方

5、法比较多种，主要可以划分为基于关系结构匹配的方法、基于统计学和基于机器学习的植物叶片识别方法。我们小组综合文献调研中的方法，发现使用基于统计学和基于机器学习的植物叶片识别方法使用较多，包括人工神经网络和支持向量机SVM等，【15篇左右硕士论文以及期刊文献】从可实现性的角度出发，我们选择了【】系统调研【国外有啥系统】【国内有啥系统】【实用系统】【待会补充】（先从综述中找的线索，略看文献）研究过程基本研究思路文献调研子问题分析如何进行图像预处理，从哪几个方面进行如何选择叶片特征参数并进行提取选择何种分类方法进行分类如何进行系统设计以及程序实现工具与方法选取我们选择的工具是MATLAB在三阶段中选择的算法/方法依次为：【补上详细的】图像预处理：叶片特征值提取：分类识别过程：系统设计与算法实现系统设计与算法实现系统结构设计前端界面、后端处理（3个模块图片预处理、叶片特征值提取、分类识别）画一个结构图主要介绍一下UI设计、工具等系统结构实现后端3个模块的算法介绍图片预处理：灰度化，二值均衡，降噪，膨化，腐蚀，OSTU算法叶片特征值提取：不变矩 &