植物在地球上有着十分广泛的分布,是自然界中不可或缺的一部分。对于植物分类的历史由来已久,但传统的植物识别只能通过查阅书籍等耗时耗力的方法实现。近年来,图像处理和机器学习技术的迅猛发展,使得通过计算机对植物进行自动识别成为了可能。正是基于此背景,我们在本文中对植物叶片识别方法进行了研究。本文的主要工作如下:1.提出了一种基于区域面积比的形状特征,选择包含叶片形状区域的外接矩形作为目标区域,并将目标区域划分为若干等份,分别计算叶片形状在各个区域内的面积占比,用以对植物叶片形状的整体描述。实验证明了该特征具有优秀的描述能力,并具备旋转、平移和尺度变换不变性。2.提出了一种基于轮廓角点的形状特征,在叶片形状区域的外接圆形区域内统计叶片轮廓角点在各个区域内出现的频率,用以对植物叶片形状的细节描述。实验证明了该特征能有效地对叶片形状细节进行描述,并具备旋转、平移和尺度变换不变性。3.提出了一种基于形状的两级分类思想,在第一级分类中仅根据植物叶形将植物分为若干大类;而在第二级分类中,结合形状、纹理和颜色特征对每个形状大类的植物进行精确分类。为加强特征对具有相似形状的植物叶片的描述能力,本文还提出了一种植物叶脉的描述方法。4.分别在Flavia数据集、Swedish数据集、ICL数据集和LZU数据集下进行了一系列实验。本文所提出的算法在各个数据集中皆获得了较好的表现,其分类准确率分别达到了99.3%、98.9%、91.5%和95.3%,验证了本文所提特征的有效性,并证明了特征组合与本文所提出的基于形状的两级分类思想的可行性。