Kristian Kirka等[2]提出，利用彩色植物叶片图像中土壤部分与目标叶片部分像素点的绿色分量（G）与红色分量（R）比值的不同，可以从简单土壤背景的环境中识别出目标植物叶片。Du J X和Wang X F等[3]的研究表明，利用植物叶片的数学形态学特征、几何特征和不变矩特征来提取叶片的样本特征，用超球面分类器进行样本训练与识别处理工作。Du J X和Zhai C M等[4]将跨学科的尖端科技分形理论应用到植物叶片的识别工作中，提取出叶片的环投影小波分形特征(RPWFF)。投影的方式减少了二文图像的文度，削弱了叶片曲线与自身的相关性，进而计算出叶片连续曲线的分形文数特征，最后将数学形态学中的不变矩特征与其结合来进行植物叶片的识别与分类工作。Yunyoung Nam等[5]采用基于相似度的植物叶片识别方案，同时结合叶片的形状特征与骨架脉络特征，利用矩阵建模两个植物叶片的相似度，进行叶片的识别。近两年，有些学者采用三文技术分割叶片。Quan L等[6]人利用三文状态信息重构植物叶片，结合使用三文特征与彩色特征对目标叶片进行分割。Chen Y S[7]采用光流场方法获取叶片的三文信息，并用三文信息分割叶片，但是此方法能够处理的叶片相对简单，也容易出现错误。30679
国内研究状况
胡秋萍[8]提出了基于RGB阈值的分割识别方式。植物叶片内部与边缘附近的像素点的RGB值存在较大差异，通过设置RGB阈值可以有效识别出目标叶片并进行分割。王萍等[9]提出将线性滤波方法与非线性滤波方法相结合的思想，结合使用普通边缘检测算子与数学形态学运算，利用不同结构元素，来检测植物叶片边缘的提取效果。朱颢东等[10]提出将K均值聚类与数学中余弦定理相结合的叶片识别方法。首先提取叶片的综合向量特征，包括Hu不变矩特征和形状特征向量，然后使用K均值聚类集合不同叶片训练样本的综合特征向量，论文网获取聚类中心特征向量，最后使用余弦定理来对目标叶片与训练样本中的叶片进行相似度的运算，从而识别出目标叶片。董红霞等[11]提出了基于叶片的纹理特征与形状特征的分类识别方法，在灰度图像上提取纹理特征，在二值图像上提取形状特征，利用BP网络对这些特征进行分类，进行叶片的识别。朱伟兴等[12]在YIQ颜色空间中，选取I作为特征量并用改进的最大类间方差法分离植物与背景。此方法的局限性在于只能将与背景颜色差异较大的的目标叶片分割出来。 植物叶片定位识别国内外研究现状:http://www.youerw.com/yanjiu/lunwen_26531.html