目的和意义：

植物识别研究是植物学研究和农业生产的基础性研究工作，对于鉴定和区分植物种类、探索植物间的亲缘关系、保护植物物种和环境、避免生态被进一步破坏、阐明植物系统的进化规律等都具有重要意义。植物识别并不是一件容易的事，需要植物学以及植物系统学等相关知识的深入学习。传统人工识别结果受主观性影响比较大,正确识别率较低,于是，随着信息技术的发展，人们希望拥有自动化的识别系统，通过识别程序，让非专业人士了解到物种信息，提高民众对植物资源的保护意识。

相比于植物的叶、茎、花、果等局部特征，植物的叶片更适于植物识别。第一，叶片的存活时间较长,在形状结构上较为稳定，适于进行二维图像处理；同时，叶片的数字图像可以很方便地采集，存在着该种植物丰富的特征信息，有利于实现该种植物和其它植物的区分。这使得基于植物叶片图像的植物物种分类是一种最直接、最简单和最有效的方法，也是未来数字化植物研究的趋势。

近年来，稀疏表示作为信号处理、图像处理和模式识别强有力的工具，受到了广大学者的广泛关注。所谓样本的稀疏表示，就是将给定的样本表示为字典的相对较少数目的几个基的线性组合。与传统的模式识别方法相比，稀疏表示在识别精度上有较大的改进。尽管稀疏表示在人脸识别、手势识别和信号分析等领域取得了较好的效果，但鲜有应用于植物识别领域。因此，基于字典学习的叶片识别研究成为了一个重要的研究方向。

国内外的研究现状分析：

叶片识别算法的研究现状：Guyer^[1]等提取了17种叶片形状特征,并对40类植物进行分类；Oide等将叶片形状作为神经网络的输入,使用 Hopfield网络和感知器对大豆叶片进行分类；Soderkvist ^[2]使用叶片的几何特征,采用BP前馈神经网络对15种瑞典树木进行分类, 最终形成Swedish叶片标准测试数据集；Backes等利用复杂网络算法分析叶片特征并进行识别,可对不同分辨率以及一定采样噪声的叶片图像识别,有很好的效果；Ghazi^[3]等利用PCANet算法在扫描叶片图像上取得了90.49％的识别率,但是普通叶片图像识别率比较低；朱静等通过叶片图像的形状和叶缘特征,对14种植物337份叶片样本的叶形测试准确率达92％；Munisami等采用基于特征的神经网络分类器对植物叶片识别,包括矩形、圆度、偏心率等；Ling^[4]等人提出了一种新颖的形状描述符，称为 Inner-Distance Shape Context（IDSC），据称它表现得更好。它通过在IDSC特性之间建立点-点匹配来测量两个叶子之间的相似性。该方法被进一步用于开发叶片识别系统，得益于该方法，叶子分类变得容易在现实生活中使用。

字典学习算法的研究现状：1996 年, Olshausen 等在《Nature》上发表了著名的 Sparsenet 字典学习算法 ，该算法奠定了字典学习理论的基础。为训练全局最优字典, Mailhe等对 Olshausen 的算法进行了改进 , 最终以较大的概率保证在全局最优点收敛。为提高 Olshausen 字典学习算法的速度, Lee 等提出了新的算法，适合从大规模训练集中学习高冗余的过完备字典。Engan 等对 Olshausen 的 Sparsenet 字典学习算法进行了改进, 提出了MOD (Method of optimal directions) 字典学习算法。为减小 MOD 算法的复杂度, Aharon 等提出了 K-SVD (K-singular value decomposition) 算法，K-SVD 算法不需要矩阵求逆计算, 运算复杂度比 MOD 算法低得多, 并且在字典更新步骤中对系数矩阵与字典原子联合更新, 提高了算法收敛速度, 它在实际中应用最广泛。随后, 许多学者对其进行了改进, Smith 等提出了多重字典更新 (Multiple dictionary update, MDU) 算法, Rubinstein 等在字典更新步骤中, 用交替优化方法求解联合优化问题。Sadeghi 等提出基于并行原子更新的字典学习算法。

2. 研究的基本内容与方案

基本内容与目标：

1. 研究、归纳当前主流的叶片识别方法：了解叶片识别基础知识及整套识别流程，在此基础上学习当前较新的识别算法，并归纳总结。

a. 基于轮廓的描述子