植物识别是当前植物信息学的重要研究方向,对保护植物具有重要意义。利用人工识别当前大规模的植物图像数据几乎无法实现,而使用计算机进行植物识别来提高识别效率是目前的研究热点。在植物识别过程中,叶、茎、花均可提取特征识别信息。其中,植物叶片图像是二维形态,易于保存,因而在实际中应用较多。研究者通常提取叶片图像的纹理特征与形状特征进行识别,而现实中由于植物种类繁多,叶片特征相似,识别效果并不令人满意。为解决由于植物叶片特征的相似性导致植物识别率较低的问题,提出一种基于降维局部二值模式(LBP)与叶片形状特征相结合的植物叶片识别方法。首先对采集到的植物叶片图像进行预处理,包括灰度化、尺寸归一化、分割、轮廓提取等步骤。原始采集的植物叶片图像为彩色图像,数据量大,且容易受到环境的影响,不利计算机进行分类与识别,为了得到更适宜特征提取的叶片图像,预处理的步骤显得非常有必要。然后利用LBP算法提取高维叶片纹理信息,LBP特征是当前常用且有效的纹理特征,应用十分广泛。同时原始的LBP特征维数较高,稀疏度大。PCA是一种有效地维数约简方法,利用PCA对LBP特征降维,可以得到效率更高的降维LBP特征矢量。在此基础上,考虑叶片的形状特征,形状特征是最早作为分类标准的特征向量,在植物分类识别研究中得到了广泛应用,且在面对尺度变化、旋转变化时具有不变性,将LBP特征与叶片形状特征有效结合,能有效提高叶片识别率。在实验部分,通过对LBP不同特征分块的实验结果对比,找到了本文实验环境下最佳的特征分块;通过对不同特征方法的实验结果对比,验证了本文特征方法具有较好的识别效果;通过对不同分类器的实验结果对比,找到了效果更佳的分类器。另外制作了基于MATLAB软件中GUI工具的植物叶片识别系统,可以完成单个叶片以及批量叶片的识别。