（广东白云学院,广东 广州 510000）

随着数字图像处理和计算机视觉的发展，图片搜索引擎成为当今信息检索的必备功能。图像识别成为图片搜索引擎中最具有代表性的技术之一。图像识别作为一种数据挖掘技术，通过计算机处理、分析和理解图像的相关信息，能够把模式不相同的目标和对象分类[1]。尤其是在智能农业方面，把计算机视觉和图像处理技术相结合对农作物叶片识别分类的研究工作已慢慢渗透到实际应用中，为以后实现田间精耕细作奠定基础。近几年，全球的专家和学者对植物叶片图像的识别分类做了深入研究和大量的工作。2000年以前，Guyer等人采用植物叶片形状特征的方法进行识别[2]。2000年，Oide和Ninomiya[3]对大豆叶片进行识别，把形状特征参数用于Hopfield网络的输入。2007年，Ling等人[4]利用轮廓内最小距离改进叶片的形状，利用动态规划法对叶片形状进行匹配。2007年，Felzenszwalb等人[5]为了更好地描述叶片的全局形状与局部纹理，提出一个分层的形状树模型作为形状描述子，获得了很好的分类结果。2013年阎庆等人通过超绿特征去除田间复杂背景的影响，利用形态学方法进行阈值分割，将图片内绿色植物区域作为待判别杂草或作物的识别对象，采用基于Fisher投影的监督LLE方法降低图片内的灰度特征的维度，使用支持向量机方法完成杂草的识别工作[6]。2016年，马晓丹等人针对大豆叶部病害性状特征与病种之间的模糊性和不确定性，提出了基于改进级联神经网络的大豆病害诊断模型，实现了大豆叶部病害的高效自动诊断和精确测报[7]。……