植物的分类与识别是一项具有长远意义的重要基础工作,也是为了让人们更好地认识与利用植物资源。这项工作对于区分植物种类,探索植物间的亲缘关系,阐明植物系统的进化规律具有重要意义。传统的识别方法,大多是依靠专业人员自身丰富的经验,利用植物外部形态上的特征,去识别植物的种类。这些方法很难被非专业人员掌握,也很难应用于日常生活。而地球上仅仅是已经被命名和分类的有花植物大约就有25万种,依靠人为的记忆和经验很难有效地识别。本文以梅花作为研究对象,采用数字图像处理和模式识别技术,研究了基于梅花图像的分割、特征提取、分类器分类等方面技术问题,并在此基础上建立了梅花识别系统。本论文的主要工作和贡献如下：1.深入分析和研究了基于图像分析的植物品种识别的相关技术,主要包括：图像分割、特征提取、分类器分类三个方面。在特征提取方面,分别分析了底层视觉特征的提取方法和局部区块特征的提取方法。2.提出了一种针对自然背景下梅花图像的分割算法：基于纹理和颜色特征的分割方法(T&C,Texture feature and Color feature)。在具体算法中,分析了梅花花朵图像自身的特点,由于梅花是先花后叶植物,背景中没有像普通花卉那样聚集了大量的叶片,主要干扰物为枝条和交叠的花朵,可以结合分形纹理特征和色度饱和度颜色特征两种方法进行分割。纹理特征的分割采用分形的特征,结果证明花朵的边缘和枝条的边缘,分形维数最高,其余的大部分干扰物都可以在这一步去除。剩余的干扰物可通过颜色特征进行分割,改进了色度直方图累加的算法,并提出对饱和度进行区间划分,进行直方图统计；然后分别从色度和饱和度两个角度出发,将枝条和花朵部分分割开,最后通过一些后续处理,得到目标区域。实验部分,通过与2RGB色彩模型分割方法和Grab Cut算法进行对比,结果证明,T&C分割算法对于梅花图像的分割是非常有效的,而2RGB模型不适合分割梅花图像这类数据,Grab Cut算法存在大量的交互,并且耗时巨大。3.针对梅花花朵图像,提出了适合其颜色、形状、纹理三个方面特征的描述方法,并在其中的一些方法上做了改进。在提取出梅花图像的目标区域后,进行视觉底层特征和局部区块特征的提取。视觉特征主要包括颜色、纹理、形状3个方面。在颜色特征提取时,分析了梅花图像色彩方面的一些特点,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。形状特征的描述主要采用凸包面积比、平坦度以及边界序列矩三种方法。在计算平坦度时,改进了原始分块的计算方法,因为梅花图像已经被分割过,背景用黑色像素点表示,不需要进行统计计算,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。在纹理特征方面,主要使用分形维数和灰度共生矩阵来描述梅花。在计算灰度共生矩阵时,首先是提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量,然后再去计算0°,5°4,90°和135°这4个角度的灰度共生矩阵,累加相应的矩阵元素除以4,求出4个矩阵的平均矩阵作为参与运算的灰度共生矩阵,计算该矩阵的相关参数作为纹理特征的描述。本文所使用的颜色、形状、纹理特征这三个方面的视觉特征一共是19维特征向量。文中还对局部区块特征的提取进行了描述。最后对视觉特征进行特征分析和主成分分析。实验的结果证明本文提取的特征中,除了第19个特征对分类的作用不大以外,其他特征对分类都有各自的作用,冗余很小。4.改进了传统的三层BP神经网络分类器,增加了一个隐藏层,并改进了相应的参数。在实验部分,分别采用SVM分类器和BP神经网络分类器进行分类实验,发现传统的BP神经网络分类效果不好,在增加一个隐藏层并改进参数后识别率明显提高。文中还对SVM核函数参数的选择做了交叉验证,并获得最佳参数值。通过大量的实验分析证明,本文提出的算法除了适合梅花种类的识别,还可以对普通的花卉图像进行识别,具有可移植性。