目的和意义：

植物种类的识别研究随着植物学的高速发展和农业生产规模的迅速扩大，发挥着越来越重要的作用，并且近年来，随着可持续发展观念的深入，植物保护越来越收到人们的重视，而作为植物保护的前提和关键，植物的分类也成为当前植物学的研究热点。植物的分类可以依据根、茎、叶、花、果、种子等等不同的部分进行。其中，相较花朵、果实、种子等三维形状的物体而言，植物的叶片则基本上处于平面状态，适合于利用计算机进行二维图像处理，并且在一年大部分时间内都可以很方便的采集到。由于以上特性使得叶片从众多部分中脱颖而出，受到众多植物分类研究者的青睐。在现阶段植物学研究中，对于植物的认识和识别一般都是先对所采集的植物叶片标本进行人工测量和纪录，然后再对这些记录的数据进行分析和识别进新分类，但是人的认知能力和精力都是有一定局限性的，并且由于植物物种的多样性和大量的分类特征，人工识别耗费人力并且效率不高，对于计算机技术进行识别和分类具有广阔的前景，是有重要意义的。

使用图像处理技术和机器学习技术自动对植物叶片进行自动识别，能够提高叶片识别的准确性和效率，不仅能够有利于保护环境，另一方面在农业生产和植物学研究能够产生有效促进，进一步发展生产力。

国内外的研究现状分析：

目前国内的植物叶片分类工作，仍旧方兴未艾，随着机器学习的发展以及深度学习的兴起，越来越多的更加精准的识别算法不断被设计改进，在植物特征提取中，主要是基于颜色，形状，纹理，叶脉的提取，目前基于颜色，形状，纹理的较多，由于植物在颜色，形状上的各异，在分辨上比较容易，在2015年，唐钦等在研究基于颜色，纹理的特征识别中，通过形态学处理获取轮廓，再利用改进的HIS算法和改进的基于灰度共生-方向矩阵的算法分别对颜色以及纹理进行提取，关于纹理提取早在2010年就有通过灰度共生矩阵对木材纹理进行提取，可以识别5种木材，但是在运算上需要很大的计算量，唐钦等在原有的基础上加入了一个方向，可以有效利用叶片的纹理性质。2016年，叶脉识别被加入特征识别，由于颜色在光照下，可以随之改变，而且这种通过颜色识别在近似物种，不能达到很好的效果，于是基于植物形状和叶脉植物叶片分类研究被提出，刘春爽等利用该进的sobel算法，对叶片的叶脉进行边缘检测以及融合处理，使得再叶脉上，加入了4个特征向量，结合神经网络和SVM对比分析，分类出几百种花草并且正确率能达91%以上。随着深度学习网络提出，更多的算法被提出基于模糊顺序形态学的植物叶片脉络边缘提取，基于深度学习的植物叶片分类研究等，植物叶片分类的研究不仅仅在特征提取上有所突破，并且在分类器上也是不断改进，在唐钦等研究中提出结合K-means和SVM结合的分类器，可以有限加速训练，但是也损耗了一定的正确率，在这之前，也有提出通过SVM 模型利用线性学习分类器来处理非线性分类问题，后来在王晓峰等叶片图像特征提取与识别技术的研究中提出了一种移动中心超球分类器，不仅有效减低存储空间而且能节省计算时间，随着计算能力的提升，基于多特征融合和深度信念网络的植物叶片识别也被提出。但是今年来的研究也在往数据降维方向发展，随着流行学习的发展，越来越多的流形学习被引入到研究中来，比如詹鹏伟等几种降维技术在分类问题中的效果评估，就提到利用Isomap，LLE流形学习算法与线性降维PCA和传统的SVM，KNN等分类器建模分析比对，发现在性能度量上Isomap能有效还原高维空间数据，在2017年郑一力等基于多特征降维的植物叶片识别方法中，采用PAC降维就有很高的真确率，在单治磊等多特征与局部线性嵌入融合算法在植物识别中的应用研究中，使用 LLE 对 LBP 特征降维后识别率有了明显提升，并且当种类增加时，单独使用 LBP 作为特征识别率明显下降，但使用降维后的特征进行识别时具有良好的稳定性和较高的识别率。有利于对多种植物进行分类识别，解决了植物种类繁多不易分类的问题

总结：

（1）基于叶脉的分类正悄然兴起，所以在植物分类中，这将是一个趋势，可以在只需要植物的结构图就可以分析植物的种类，在没有植物图片或者植物图片直接收集有困难的情况下，进行分析是由很高的可操作性的

（2）鉴于国内外相关研究现状，在高维数据降维上，流形学习有着很高的操作性，并且在提高识别率的准确性上，能得到有效提升。