随着城市环境建设标准的提高,行道树作为城市道路绿化的骨干树种被大量种植。在日常管理中,行道树经常因为道路改造移植。树木在数量和种类上不断变化,隔一段时间就需要对行道树进行分类清点。本文基于这个需求出发,从图像的分割,特征分析,分类器构造三方面研究了图像识别在行道树分类上的应用。本文的具体研究过程也分成以上三个步骤,应用阈值分割、区域增长和边缘检测等分割方法对树木图像进行分割,并从原理和应用效果上进行了分析。在比较各种分割方法之后,得出自适应阀值分割法在使用效果上优于其他阀值分割。在传统的基于灰度值的区域生长分割法的基础上,提出了基于颜色相似性的色块区域生长分割的原理和步骤。在基于边缘检测的分割法实验中观察基于各种梯度算子的对树木图像的分割效果,发现应用二阶梯度算子中的拉普拉斯算子能够在一定的噪声的干扰下对树木图像的进行边缘检测,并且效果相对其他方法较为理想。在树木图像从背景分离以后,进一步对树木本身的图像进行特征提取分析实验。本文选择了从树木形状和树干纹理两方面的特征进行提取分析。在树木形状特征提取方面,使用数学形态学对不同树种的树木进行腐蚀膨胀操作,并分析各种区域属性,获得形状特征参数进行下一步分析。在树干的纹理特征提取方面,应用Radon变换、灰度概率密度函数、灰度共生矩阵和HSV模型法对树皮纹理特征进行提取分析。验证了树皮纹理在受不同程度污染的情况下,使用灰度共生矩阵和HSV模型法识别纹理的效果较为良好。在上述特征提取以后,用BP神经网络构造分类器,选择树木对象的多个特征值做为神经元的输入信号,经过分类器输出树种的分类结果。实验表明经过多组训练数据充分训练后的BP神经网络对本文的测试样本进行分类的效果较为理想。由此说明了本文的研究成果在行道树分类应用中有一定的可行性。