开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
植物识别，即通过对植物叶片，花萼，花瓣，根茎，枝干，果实等明显特征进行对比比较，便可确定该植物的纲目科属种，以及其功效价值，适宜生长环境，这对于植物种植，保护，农林业信息化等多个方面都有很大帮助。现有的识别叶片的方法主要分为两类：一类是通过提取叶片图像的颜色，形状或纹理等特征，再利用分类算法实现植物叶片的识别[1-8]。但因为中国地大物博，种类繁多的植物种类，单纯只依靠植物学家自身经验来判别植物的种类以及名称，这种工作劳神耗力，而且由人的主观定义，不能较好地量化。加之易混难分，种类繁多的记忆点同时也减少了了许多喜欢植物的非专业人士的认识热情。另一类则是先利用流形学习算法对叶片图像特征进行降维，再在低维空间利用分类器实现叶片识别[9-11]。该类虽也有一定的局限性，且繁复的公式让人头疼，但相对于低效的第一类要方便许多。所以为了能够方便普通人通过特定的工具方便地了解自己身边的一草一木，同时有效地将所有植物记录在库方便日后研究查阅以及濒危品种的管理和保护，于是本课题尝试使用计算机技术来实现植物识别。
计算机辅助识别的基本过程：用户上传照片→图片预处理→特征提取→识别→输出结果。其中核心点在于提取识别目标的一些稳定特征，在待识别的目标集合中进行比较，计算相似度等，最后输出显示以达到识别和检索的目的[12]。能够进行分类识别的算法有很多：1）支持向量机(Support Vector Machine，SVM) 支持向量机（SVM）是一种基于统计学习理论的模式识别方法，能够很好地解决小样本，非线性和高位模式识别等问题。支持向量机通过核函数映射，将低维空间中样本非线性映射到高维空间，通过选择适合的核函数就可以实现这种非线性变换，然后在高维空间找到能将这些待分类样本点分开的最优分类超平面。2）神经网络算法 BP神经网络是一种广泛应用的网络模型，它是一种误差回传神经网络，具有非线性功能的映射，根据给定关系的多个输入和输出变量，映射形式是由权重来调节的[13]。3）Fisher判别算法 其基本思想是将K组P维数据点投影到某一方向，使各组点群尽可能的分离[14]。4)克隆选择算法和KNN分类器相结合的分类方法[15]。5）基于差异性值监督局部线性嵌入（D-LLE）算法的多特征植物叶片图像识别方法，有效地提高了叶片的识别精度[16]。6)主成分分析法（Principal Component Analysis，PCA）主成分分析法（PCA)是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n* m 的数据矩阵，n 通常比较大。为了抓住主要方面进行重点分析，但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， 主成分分析法（PCA) 就是这样一种分析方法。7）利用形状上下文内部距离 在进行形状匹配时，往往将2个目标进行相似度比较，判断其相似度是否达到预设的阈值，这样就断定其形状是否匹配。上述方法的重点是如何描述2幅图像的相似度。形状上下文就是这样一个描述器，它能很好地对目标特征进行描述，是一种很常用的相似度描述方法[17.18]。
在本质上植物叶片分类识别也是一个复杂的多类判别问题，但由于植物信息存放数据库的局限，所有植物的叶片信息不可能保证都采集大量信息，而且即使是同科同目的植物，其叶片也可能会大不一样。样本也仅仅是选用了较为规范完整的叶片作为代表记录保存在数据库中，因此样本的数量不会太大，正好符合支持向量机（SVM）分类器适合解决小样本的分类特性。
本课题通过查阅中国知网，SciFinder，中国期刊全文数据库，Elsevier数据库，读秀，百链，中国科技期刊全文数据库，万方等大型资源数据库，寻找相关信息技术报道，对这些研究报道文献进行系统分析整理，尝试在基于支持向量机（SVM）选用稳定的参数作为特征参数，从而进行叶片识别并且在条件允许的情况下进行小范围的试验识别。旨在为进一步深入开展便捷性的植物叶片识别，方便普通百姓在生活中认识自己身边的植物，对其有一个大致的了解，同时推进植物识别新技术的研究。
参考文献
[1] 杜吉祥，植物机器识别技术的研究[D]，合肥：中国科学技术大学，2005.
[2] Du J X,Huang D S,Wang X F,et al.Shape recognition based on radial basis probabilistic neural network and application to plant species identification[M].Berlin;Springer-Verlag,2005.
[3] Gu X,Du J X,Leaf recognition based on the skeleton segmentation.n[M].Berlin; Springer-Verlag,2005;253-262.
[4] Lee C L,Chen S Y.Classification of leaf images[J].International Journal of Imaging Systems and Technology,2006,16(1);15-23.
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
