图像降噪的方法是进行滤波。滤波是过滤掉信号中的指定频率的波段的处理方式，可以有效地消除和抑制某些特殊频率的波段所带来的干扰。本文所选用的滤波器为双边滤波器。双边滤波器是为了解决高斯滤波器丢失边缘信息的问题，在高斯滤波中加入权重部分，使得图像在降噪的情况下还能够将模糊的图像边缘保持清晰平滑。这样能在保证不破坏原始图像目标对象的几何、统计等细节特征数据的基础上，尽可能地对图像中的噪声进行过滤。

2。3 图像形态学处理

采集到的叶片图像可能会存在破损的情况，或是由于虫子的咬噬，或是植物病害，抑或是是酸雨的淋噬等自然因素的影响，因此，需要对叶片进行形态学处理以消除孔洞。

图像上形态学处理的基本思想就是以具有特定形态的结构为元素，度量和提取图像中与结构元素形态相吻合的目标形状，一般表现为原始图像与结构元素进行运算的形式[12]。形态学可以对图像进行细化、降噪、边缘检测等操作，以便对图像进行分析和识别。本文使用MATLAB的imdilate函数对图像进行3次膨胀操作，消除叶片的虫洞以及缺损部分。

3。 植物图像特征提取和识别

常用的植物叶片特征主要包括颜色特征、叶形特征以及纹理特征。

颜色特征就是人眼所观察到的植物叶片颜色。颜色对人类视觉的刺激大，容易引起注意，有利于记忆，但通常植物叶片的颜色会随着季节的改变而改变。颜色直方图、颜色矩和颜色集是目前常用的几种颜色特征。颜色矩是用矩来描述颜色的分布。颜色集是将图像表达成一个二进制的颜色集。文献综述

叶形特征，也就是叶片的形状特征。不同种类的植物叶片之间存在着不同的形状，这些信息可以作为判断植物类别的视觉依据，且叶片的形状作为一种稳定的特征，并深受植物叶片研究者的喜爱。叶片的形态主要包括叶片尖端、叶片边缘、叶片外形及叶片基部化四个部分。植物叶片从总体来讲，呈现种类内相似，种类间相异的特点。利用这四种部位的多样性，可以对叶片进行很好的分类。研究者通过人眼观察将叶形特征抽象成算法和模型，通过计算机实现自动分类。目前，计算机能够提取的叶形特征主要包括几何特征、不变矩和傅里叶描述符。但在现实世界叶形特并不是并那么完美，由于病虫害、自然折损、天灾、基因突变等原因，都会使得同种类的叶形都会相差很大。所以，用颜色特征或是纹理特征与叶形特征结合的办法，以提高植物识别的准确率。

    纹理特征就是存在于叶片结构上有规律的排列形式，叶片的纹理反映了叶片表面的粗糙度、光滑度、以及蜡质感。与叶形相比，纹理能够多尺度的分析图像，既考虑整体又考虑局部。纹理特征是在所有的物体的表面本身都自带的一种属性。纹理特征在图像识别中的地位非常重要。但自然环境下，光照和角度等条件会影响纹理图像的清晰度，所以需要消耗大量的时间和内存才能根据纹理特征正确的识别出目标植物。

3。1基于直方图的颜色特征提取

3。1。1颜色特征的基本原理及主要特点

    颜色特征是图像表面性质的表现，具有直观性与鲁棒性。它不受图像本身的方向、倾斜程度、尺度等因素的影响。所以，颜色特征的应用也很广泛。颜色直方图是颜色特征的常见描述形式。提取颜色特征就是将每一种颜色在图像像素中的比例作为图像的特征矢量加以保存。常用到的颜色空间很多，比如LAB空间、RGB空间、HSV空间。相对而言，与人眼视觉特性三要素直接对应的是HSV颜色空间，但最常用的颜色空间仍然是RGB空间。其原因在于现存的多数数字图像都采用RGB空间来表达。RGB空间具有简单性、通用性与图像交换便捷性等特点。根据样本的特点，本实验采用RGB颜色空间提取图像的颜色特征。