利用植物叶片图像对植物分类和病害识别是目前较为有效的方式之一，也是未来数字化植物研究的发展趋势。这一方法对植物物种的智能化分类，有效预防农作物病害发生，提高农作物产量，有效控制农药对农产品和生态环境的污染等方面，都具有非常重要的现实意义。 本书在总结国内外现有研究成果的基础上，以提高植物及其病害识别的准确率和效率为目标，对植物叶片及其叶部病害的图像分割、特征提取等关键技术开展了系统研究。

在地球上的生物中，植物、人类和环境的关系*为紧密。植物维持着地球大气中氧气和二氧化碳的平衡，也是人类生活所必需的资源。植物是地球陆地覆盖面积*大、对人类生存环境和生存质量影响*显著的因子，是人类生存与发展的重要资源。首先，植物在人类生命中不可或缺，它为人类提供了*基本的生活必需品，是人类的衣食来源。其次，植物在水土的保持和维护等方面都起着非常重要的作用。同时，植物也是中国传统医学的重要原材料，具有巨大的医学价值、生态价值和经济价值。随着人口的持续增长，社会生产力的逐步提高，世界生物多样性正在急剧减少，目前已发现大量物种正濒临灭绝。例如，在过去的60年里，中国约有200种植物在人口增长和经济发展的压力下濒临灭绝，有4000～5000种植物的生存受到威胁，占中国植物总数的15%～20%，这个数字远远超过了世界10%～15%的平均值。生态平衡将会随着大量植物物种的灭绝而遭到破坏，这将对优良品种的培育产生重大影响，也会削弱我国的传统药材生产能力，减少传统中药的来源，阻碍工业、农业、卫生保健和科技的发展，也带来了严重的土地沙漠化和水土流失问题，同时也让环境的净化能力明显下降。农作物病害频发是植物生存面临的另一个严重问题，其发生的范围非常大，已经严重制约了世界范围内农作物的产量、质量和农业生产的可持续发展。幸运的是，人类已经意识到了这一危机，开始加强对植物的保护。植物保护的首要工作就要对其开展分类研究，这就涉及植物分类学，它是研究物种起源、演化过程和演化趋势的学科，它以形态学为基础，整合了各种相关学科。通过对植物的性质和特点进行分析、比较和归纳，植物分类学可以对植物进行物种鉴定、名称识别、分类和命名，并根据植物进化规则，建立分类系统来反映植物形态的差异，以及物种遗传与进化的关系。由于植物种类繁多，并且对植物的准确识别需要具备专业知识，导致人们很难准确快速地识别植物的种类。近年来，随着计算机技术的快速发展，图像处理和识别的技术也在农作物的研究中得到了应用。比如在计算机图像获取设备的帮助下，可以使用图像处理和模式识别技术来实现对植物的快速识别的愿望。

第1章绪论1 11研究背景及意义1 12研究现状概述4 13主要植物叶片数据集介绍11 参考文献15 第2章叶片图像分类特征及图像预处理20 21叶片图像识别步骤20 22植物叶片图像的分类特征21 23植物叶片图像预处理技术33 参考文献45 第3章植物叶片图像常用的分割方法56 31图像分割定义56 32基于边缘检测的图像分割方法57 33基于灰度阈值的图像分割方法64 34基于区域的图像分割方法70 35分水岭算法72 36基于小波的图像分割方法74 37基于聚类分析的图像分割方法75 38基于水平集的图像分割方法79 39基于图论的图像分割方法79 参考文献81 第4章*大*小判别映射植物叶片图像分类方法研究95 41*大*小判别映射方法96 42实验结果与分析102 43小结105 参考文献105 第5章基于叶片图像和监督正交*大差异伸展的植物识别方法 研究108 51监督正交*大差异投影算法109 52实验结果与分析112 53小结115 参考文献116 第6章采用局部判别映射算法的玉米病害识别方法研究119 61局部判别映射算法121 62实验结果与分析124 63小结126 参考文献127 第7章监督正交局部保持映射的植物叶片分类方法研究130 71监督正交局部保持映射131 72实验结果与分析137 73小结141 参考文献141 第8章基于叶片图像处理和稀疏表示的植物识别方法146 81稀疏表示和植物识别148 82实验结果与分析156 83小结159 参考文献160 第9章基于稀疏表示字典学习的植物分类方法162 91基于稀疏表示的植物分类方法164 92实验结果与分析168 93小结174 参考文献174 第10章环境信息在黄瓜病害识别方法中的应用研究179 101叶片图像获取179 102实验结果与分析182 103小结186 参考文献187 第11章基于判别映射分析的植物叶片分类方法191 111*大边缘准则（MMC）192 112判别映射分析算法（DPA）192 113实验结果194 114小结195 参考文献196 第12章基于卷积神经网络的植物病害识别方法198 121植物病害识别方法的简介198 122卷积神经网络200 123基于三通道CNNs的植物病害识别方法204 124实验结果与分析206 125小结210 参考文献211 第13章基于环境信息和深度自编码网络的农作物病害预测模型214 131农作物的致病因素及病害预测模型简介214 132材料与方法215 133实验结果与分析220 134小结221 参考文献222 第14章基于改进深度置信网络的大棚冬枣病虫害预测模型225 141冬枣病虫害及预测模型简介225 142植物病虫害环境信息获取225 143深度置信网络226 144冬枣病虫害预测模型231 145实验方法232 146小结234 参考文献234 后记239 第1章绪论1 11研究背景及意义1 12研究现状概述4 13主要植物叶片数据集介绍11 参考文献15 第2章叶片图像分类特征及图像预处理20 21叶片图像识别步骤20 22植物叶片图像的分类特征21 23植物叶片图像预处理技术33 参考文献45 第3章植物叶片图像常用的分割方法56 31图像分割定义56 32基于边缘检测的图像分割方法57 33基于灰度阈值的图像分割方法64 34基于区域的图像分割方法70 35分水岭算法72 36基于小波的图像分割方法74 37基于聚类分析的图像分割方法75 38基于水平集的图像分割方法79 39基于图论的图像分割方法79 参考文献81 第4章*大*小判别映射植物叶片图像分类方法研究95 41*大*小判别映射方法96 42实验结果与分析102 43小结105 参考文献105 第5章基于叶片图像和监督正交*大差异伸展的植物识别方法 研究108 51监督正交*大差异投影算法109 52实验结果与分析112 53小结115 参考文献116 第6章采用局部判别映射算法的玉米病害识别方法研究119 61局部判别映射算法121 62实验结果与分析124 63小结126 参考文献127 第7章监督正交局部保持映射的植物叶片分类方法研究130 71监督正交局部保持映射131 72实验结果与分析137 73小结141 参考文献141 第8章基于叶片图像处理和稀疏表示的植物识别方法146 81稀疏表示和植物识别148 82实验结果与分析156 83小结159 参考文献160 第9章基于稀疏表示字典学习的植物分类方法162 91基于稀疏表示的植物分类方法164 92实验结果与分析168 93小结174 参考文献174 第10章环境信息在黄瓜病害识别方法中的应用研究179 101叶片图像获取179 102实验结果与分析182 103小结186 参考文献187 第11章基于判别映射分析的植物叶片分类方法191 111*大边缘准则（MMC）192 112判别映射分析算法（DPA）192 113实验结果194 114小结195 参考文献196 第12章基于卷积神经网络的植物病害识别方法198 121植物病害识别方法的简介198 122卷积神经网络200 123基于三通道CNNs的植物病害识别方法204 124实验结果与分析206 125小结210 参考文献211 第13章基于环境信息和深度自编码网络的农作物病害预测模型214 131农作物的致病因素及病害预测模型简介214 132材料与方法215 133实验结果与分析220 134小结221 参考文献222 第14章基于改进深度置信网络的大棚冬枣病虫害预测模型225 141冬枣病虫害及预测模型简介225 142植物病虫害环境信息获取225 143深度置信网络226 144冬枣病虫害预测模型231 145实验方法232 146小结234 参考文献234 后记239