植物识别是植物学科中非常重要的分支学科,是进一步开发利用植物资源的基础。植物识别的传统方式是根据植物的物理形态、化学组成、生物结构等多方面特征进行人工识别,存在准确率低、效率差等缺点。由于叶片图像具有二维形态、信息量大、易获取等优点,成为目前植物识别非常重要的研究方向。首先,对植物图像预处理以及特征提取方式进行了研究,同时对稀疏表示分类的基本流程进行了介绍。图像预处理包括灰度化、图像分割、形态学处理等;而植物图像特征提取包括形状特征和纹理特征提取。然后,研究了基于稀疏表示分类的植物叶片识别方法,首先,将原始稀疏表示方法应用到植物叶片识别中,采用原始叶片图像进行字典初始化,利用OMP算法直接求解待测叶片样本在字典上的稀疏表达式,通过最小偏移度进行识别分类,发现存在计算量过大、识别率低等缺点;然后针对稀疏表示分类进行了改进,采用叶片纹理特征矩阵代替原始叶片图像进行字典初始化,同时采用K-SVD字典学习方法对字典进行学习优化,使其具有更强的适应性,最终利用OMP算法求解待测样本纹理矩阵在最优字典上的稀疏表达式,完成植物叶片的识别分类。最后,分别采用Flavia叶片数据集和ICL叶片数据集进行本文方法验证,实验结果表明该方法有较高的识别率,并针对缺失遮挡叶片数据具有较强的鲁棒性;利用matlab GUI平台完成植物叶片识别系统设计。