致 谢    29
参考文献    30
1 绪论
1.1 课题背景
自20世纪60年代提出图像匹配这一概念以来，图形匹配技术一直是学者们研究的重点与难点。发展至今，图像匹配技术广泛引用于生物医学、航天、工业生产、科学研究等领域。在植物学方面，基于图像处理的叶片特征提取在植物物种识别及智能化农业生产得到广泛应用。本文就图像匹配技术在植物叶片特征提取并进行叶片识别做了一些简单的研究。
植物的叶是植物的重要器官，不同物种之间以及同种之间都存在一定的差异性。对于不同种类植物之间，它们的叶的形状、大小都存在一定的差异性。当然同种之间由于生长的环境不同也存在类内之间的较小差异，但它们的大体上还是很相似的。而且植物叶片的形状改变受生长周期的影响较小，只是面积改变较大。因此本文中提出了叶片的矩形度、圆形度、凹凸比等特征作为叶片匹配的数学参数进行匹配。
把图像处理技术应用到植物叶片识别中，提高了对植物进行分类研究的效率，同时可以帮助普通群众辨认更多的物种信息，具有一定的实用性。
1.2 研究历史及现状
文献[1]中描述了进10年来国内外关于植物叶片特征提取的一些研究与实现。其中提到了叶片面积特征、叶形特征以及叶颜色特征的提取与研究。关于图像特征提取有名的算法有SIFT算法、直方图特征提取、还有各种角点提取算子，Hu不变矩等。关于植物叶片识别已有一个较成熟并得到用户应用的成功案例，网站www.leafsnap.com上收集了大多数植物的叶、花、果实等信息，并且有了移动端应用，用户通过手机拍下植物叶片、花或者果实就可识别出其所属物种。本文的最终结果就是实现一个与该功能类似的Android/PC的C/S框架的应用。
1.3 课题难点
把图像匹配技术应用到植物叶片识别当中，遇到以下难点：
（一）植物叶片类间差异把握度不好掌握。
（二）匹配数据库不统一，不全面。
（三）图像处理中噪声处理比较复杂，影响因素较多。
（四）有些植物的叶片不适合用作植物叶片分类，比如无叶片植物和复叶植物。
1.4 主要内容及实验结果
本文的主要内容为四大模块：图像获取与图像预处理，提取图像特征值，图像特征值匹配，匹配结果信息的展示。自己采集部分树叶图像建立数据库做为实验所用。
在本文中数据库中保存了数十种叶片，可以较准确的识别出银杏、石榴等叶片。
2 图像获取与图像预处理
2.1 图像获取
待匹配图像是由手机的照相机硬件拍摄后，再对获得的图形进行人为截取，选择合适的区域作为待匹配图像。其中在拍摄图像时，将叶片放在白色背景上，并去除叶片的叶柄，这样可以简化叶片预处理的时，进行叶柄去除步骤。
本文获取的是G格式的彩色数字图像，在图像匹配中为了简化运算，一般会将彩色数字图像灰度化或二值化。二值图像的每个像素点的亮度值在0至1之间，灰度图像的每个像素的亮度值在0至255之间，而G格式的彩色图像是由三幅灰度图像融合而成，它由红、绿、蓝三个通道组成。
一幅数字图像可由一个 的矩阵表示，其中M相当于图像的水平方向宽度，N相当于图像的竖直方向高度，例如，一幅128*256的图像，那么M=128,N=256。用 表示图像第i行，第j列的像素值。
2.2 图像预处理
图像预处理就是对获得的叶片图像先进行一些简单的图像处理，比如灰度化、二值化、高斯模糊、去噪等操作。
2.2.1 图像的灰度化
在彩色图像RGB模型中，如果 时，彩色图像就是灰度颜色，其中 的值叫灰度值，范围在0-255之间，将彩色图像变为灰度图像也就是图像的灰度化。分别用 、 、 表示R、G、B三个通道的灰度图像在 位置的灰度值。图像灰度化主要有以下四种方法： Android的植物叶片识别图像匹配搜索算法的研究与实现(2):http://www.youerw.com/jisuanji/lunwen_14478.html