阔叶叶片片纹理和轮廓的特征,可以用于树种的分类。因为树种的数量庞大,分类时需要具备大量树种类别相关的数据储备,一般非专业人员不具备这些技能,只能依靠计算机来存储大量的图像数据。高速互联网技术普及为计算机树种叶片识别提供了良好的研究和使用环境。首先,采集毛樱桃、金银忍冬、紫丁香、紫椴共四种东北常见阔叶叶片共计360片,清洗过后置于单一背景中进行图像采集,生成360张叶片图像。使用OpenCV图像处理开发程序包,应用C++语言编写程序,对采集的图像进行图像预处理,获得利于采集特征的图像,并且将图像分为测试和训练集。提取每一幅图像的叶片面积与外接圆面积比、轮廓长宽比、面积与轮廓周长比、面积与长比、面积与宽比、图像中像素的熵、叶片叶脉纹理熵、叶片边缘轮廓的熵共计8种特征值,并将这些特征数据存储到数据文件中。使用训练集特征数据在线性分类器中进行训练,将得到训练后的模型使用测试集数据测试,最后得到识别率为87%。为了提高识别率,使用卷积神经网络进行图像特征研究。卷积神经网络结构顺序为一层输入层、两层卷积层、一层池化层,最后全链接到了一层以ReLU函数组成的激励层实现分类。将训练数据集和测试数据集中的图像直接放入网络模型中,网络通过训练集图像训练调整权值得到最优状态,训练方法为随机梯度下降算法。使用卷积神经网络研究最后的结果是,平均识别率94%,其中最高一组的模型识别率为98%。实验结果表明使用卷积神经网络深度学习模型对于阔叶树叶片图像分类识别率高。使用卷积核提取的特征图谱,能够得到更多的图像细节,并且不需要特征值的设计和提取工作。缺点是需要大量的阔叶树叶片图像对于网络训练,但是随着计算机技术的发展以数据驱动的模型相对于以特征值分类的模型更具有发展意义。同时本实验训练后的模型对于树种的分类与研究提供了部分理论支撑。