目前的烟叶分级大多停留在人工分级阶段,单纯地依靠人类的感官和触觉,这种做法不仅消耗了大量的人力和物力,而且很难保证烟叶分级的客观性和正确性,也越来越无法满足烟草行业对烟叶质量的要求。为了克服人工烟叶分级的缺陷,本文基于图像处理技术并结合改进的最近邻分类方法实现烟叶的智能分级,具体研究工作主要包括以下四个部分:1.采集烟叶的图像信息并对其进行预处理操作。选取实验装备拍摄烟叶的图像,并对比不同的图像平滑,背景分割与边缘提取方法,最终选择中值滤波法对烟叶进行平滑去噪,采用迭代阈值法对其进行背景分割、采用轮廓提取法获取烟叶的轮廓信息。2.提取烟叶图像的特征。本研究通过图像处理技术提取烤烟烟叶的7个形状特征:长、宽、长宽比、周长、面积、破损率、圆形度,12个颜色特征:RGB模型中R、G、B三个颜色分量的均值和方差,HSI模型中H、S、I三个分量的均值和方差,4个纹理特征:能量、纹理熵、对比度和相关性。3.特征选择。本文共提取了有可能影响烟叶分级的23个特征,但是特征之间的相关性与冗余性将增加烟叶分级的复杂性和影响烟叶分级的结果,因此本文实现基于最近邻的后向特征选择方法对特征进行筛选,最终筛选出一组最优特征集合用于烟叶分级。4.基于KKNN的烟叶智能分级。针对传统的最近邻分类方法的不足,本文提出一种改进的最近邻分类方法(KKNN),首先运用熵值法计算各个特征的权重,同时通过K均值聚类缩减训练集,之后使用平均欧式距离进行类别决策。经过实验证明,后向特征选择方法和改进的最近邻分类方法有效地提高了烟叶分级的准确率。