植物是地球上物种数量最多、分布最广泛的生命形式，影响着人类赖以生存的生态系统。植物也是人类生存与发展的重要的资源，是人类生产和生活必需的资源。同时，植物与农业有着密切的联系，而农业作为国民经济的命脉，是一个国家赖以生存的基础。因此，开展植物物种的机器识别研究具有重要的现实意义。植物物种分类性状的自动提取将推动植物分类学的发展，植物物种的自动识别有助于提高人们对植物的认识，有利于植物资源的保护和利用。而计算机技术在农业领域的应用多数涉及到作物的特征提取、分类与识别，所以植物物种的机器识别研究将有利地推动信息技术在农业领域的应用。本文的工作正是围绕着植物物种的机器识别的研究，从植物图像的特征提取方法和图像特征的分类来分别进行的。全文的主要工作体现在以下几个方面：
1). 植物图像的预处理。植物图像预处理的难点和重点是植物叶片图像的分割。实际采集的植物图像通常带有背景，必须通过图像分割提取目标后才能进行特征提取等后期工作。对于简单背景下的单叶、多叶片图像，通过图像的灰度统计分析和实验比较发现，使用全局阈值法、局部自适应阈值法、多阈值分割法等的方法可以达到满意的分割效果。对于有复杂背景的叶片图像，尝试使用交互式的主动轮廓模型法和分水岭算法进行图像分割，实验结果表明这两种图像分割算法是可行的和卓有成效的。
2). 叶片图像的形状特征提取。分割后叶片图像的特征提取是实现植物物种机器识别的一个重要环节。无论是对于植物形态学还是进行机器识别，叶片的形状特征都是进行植物分类的重要依据。通过对叶片形状的分析，总结出用于植物物种机器识别和植物数值分类学的8个区域描述几何特征。为提高识别精度，还使用了叶片的不变矩特征。实验结果表明，叶片的区域描述几何特征是进行植物物种识别的显著特征和高效分类特征。另外，叶片的叶缘、叶脉、骨架、裂深等叶片结构特征是植物数值分类学的主要分类性状，也是植物形态学分类的依据，通过数字图像处理技术实现这些性状的自动提取，是计算机辅助植物物种识别的重要内容和必然环节，所以对这些叶片结构特征的自动提取方法也进行了研究。
3). 植物图像的纹理特征提取。纹理信息都是描述与识别植物图像的一项重要指标，对于树皮图像更是唯一有效的分类特征。通过两种图像的识别实验比较发现：基于象素灰度值统计的共生矩阵方法、自相关函数方法、游程方法以及直方图方法的识别率普遍比较低；多尺度性Gabor滤波方法和小波分解方法可以获得较高的识别精度；局域二值模式方法的识别效率最好，可以以较少的特征描述获得较高的识别率。而我们提出的Gabor分块局域二值模式方法可以获得最高的识别精度，但需要较大的计算量。
4). 提出了一种启发式径向基概率神经网络全结构优化方法。为在实际应用中加速优化速度，降低优化计算复杂度，首先提出了最小体积覆盖超球和移动平均中心覆盖超球两种算法，用于启发式的从训练样本中快速的初选出径向基概率神经网络的隐中心矢量，然后将粒子群优化算法和ROLSA结合进一步优选隐中心矢量，同时优化核函数控制参数，实现径向基概率神经网络的全结构优化。
5). 在对径向基概率神经网络隐中心和控制参数的几何意义分析的基础上，提出了一种椭球基概率神经网络模型，它可以看作径向基概率神经网络的自然拓展，在网络结构中以全协方差矩阵取代原来的对角协方差矩阵，使之在不同的输入方向上的函数宽度也不同，能够在不增加基函数数目的情况下更好地表征样本数据复杂的分布，并针对椭球基概率神经网络提出一种基于高维空间几何分析算法的超椭球神经元初始化方法。为提高椭球基概率神经网络的性能，提出了一种把粒子群优化算法和梯度下降算法相结合的混合结构优化算法用于椭球基神经元的优选和控制参数的优化。
6). 提出一种基于D-S融合理论的椭球基概率神经网络多分类器融合系统，避免了单一椭球基概率神经网络的分类局限性，减少了寻求单一分类单元结构最优化时的计算复杂度，大大提高了对复杂模式识别问题的分类精度，并将其应用于基于Gabor分块局域二值模式单特征的植物物种识别和基于多特征的植物物种识别。
7). 针对实际中大量存在的变形植物叶片，提出了基于形状匹配的残缺与重叠叶片图像识别方法。首先介绍了叶片形状的多边形近似方法，以及局部多边形特征的描述；然后提出一种改进的动态规划算法来实现残缺叶片的形状匹配与识别；最后将模糊理论与离散粒子群优化算法相结合，提出一种基于模糊离散粒子群优化算法的形状匹配方法，并应用于残缺与重叠叶片的匹配识别。
温馨提示：答案为网友推荐，仅供参考