植物的品种分类可以促进建立植物表型和性状的对应关系数据库,逐步实现利用信息化技术控制作物育种过程,从而推动分子育种的实现。现有的植物分类方法大多以叶片为研究对象进行不同物种的植物分类,且取得了显著研究成果,但是缺少对同一物种下的不同品种的细粒度叶片分类的研究。细粒度叶片分类是在物种分类的基础上进行的更加精细的二次分类,叶片之间极高的类间相似性给分类带来了巨大挑战,因此,如何更加细致地描述叶片图像中包含的细节信息,提取出具有显著区分性的特征是细粒度叶片分类的关键问题。针对该问题,本文提出多尺度纹理和轮廓特征融合的分类方法,以大豆品种叶片为研究对象,旨在探究细粒度叶片分类问题,实现植物品种分类,主要研究工作如下:(1)建立了大豆品种叶片数据集,为细粒度叶片分类研究提供数据支撑。大豆是我国的主要经济作物,种植广泛,方便采集,因此基于大豆叶片建立了三个不同的数据集,分别是大豆多部位叶片数据集(Multi-Parts Leaves,MPL)、大豆单部位叶片数据集(Single-Part Leaves,SPL)和大豆多生长期叶片数据集(Multi-Growth-Stage Leaves,MGSL)。其中本文使用了MPL和SPL数据集,MGSL用于课题组的其他研究。(2)不同品种的叶片具有极高的类间形状相似性,叶片特征需要增强表达局部细节信息的能力,因此本文提出了多尺度直线局部二值模式(Multi-scale Line-based Local Binary Pattern,MLLBP)纹理描述子用于提取叶片中包含的细节信息。首先利用轮廓下采样点连线切割叶片轮廓,基于切割后长度不等的轮廓曲线段定义不同尺度,形成多尺度框架。曲线较长的尺度提取叶片的全局特征,表达叶片整体信息,曲线较短的尺度提取叶片的局部特征,表达叶片细节信息。然后,获取切割叶片的直线上的像素点进行LBP编码,提出了直线局部二值模式(Line-based Local Binary Pattern,LLBP),改进LBP计算量较大、对背景噪声不鲁棒的问题,之后结合多个尺度获取叶片的多尺度纹理特征,即MLLBP特征,实现从全局到局部地描述叶片的纹理信息。同时,根据轮廓点空间分布特性提取多尺度轮廓特征描述叶片形状。最后,对特征的缩放、平移、旋转以及镜像等不变性进行了详细的分析和证明。(3)为实现纹理特征和轮廓特征的融合,采用特征权重学习算法调节纹理特征和轮廓特征在叶片分类中的权重,结合SVM分类器完成分类。首先分别对纹理特征和轮廓特征构建SVM分类器,然后根据训练样本集自动学习各个特征的权重,最后利用特征权重将基于两种特征的分类器组合成为一个复杂的分类器。实验结果表明,与单独使用纹理特征和轮廓特征以及直接拼接两种特征相比,该方法具有更高的叶片分类准确率,能够有效提高叶片分类效果。