本书围绕植物叶片图像识别技术，对植物识别过程中涉及的诸多关键技术进行了探讨。全书分为6章。第1章介绍了植物叶片的外观、叶片识别系统的框架及叶片图像获取与预处理方法。第2章介绍了复杂背景图像中分割提取叶片图像的方法，主要介绍了随机漫步模型，以及基于该模型的图像分割技术。第3章梳理了可用的叶片特征和特征分类器，并对目前学术界常用的叶片图像数据库进行了介绍。第4章介绍了脉冲耦合神经网络模型及其研究进展，并对基于PCNN的叶片图像识别方法进行了阐述。第5章介绍了BOW或BOF与脉冲耦合神经网络、Jaccard距离、Laws纹理能量等相结合进行植物识别的方法。第6章介绍了基于两级分类的植物叶片识别的方法。 本书适合高等院校相关专业高年级学生和研究生，以及从事人工神经网络、模式识别、数字图像处理、植物识别等领域的科研人员使用和参考。

前言
第1章 叶片形态与图像获取
1.1 叶片外观
1.1.1 叶形
1.1.2 叶脉
1.1.3 叶片颜色
1.2 叶片识别系统
1.3 叶片图像获取
1.3.1 图像获取
1.3.2 姿态校正
1.3.3 去除叶柄
参考文献
第2章 具有复杂背景的叶片图像分割方法
2.1 随机漫步模型
2.1.1 随机漫步模型的由来
2.1.2 随机漫步标准模型
2.1.3 随机漫步改进模型
2.2 基于随机漫步模型的图像分割
2.2.1 算法描述
2.2.2 图像分割实验结果
参考文献
第3章 叶片特征提取与分类
3.1 叶片特征提取
3.1.1 形状特征
3.1.2 纹理特征
3.1.3 颜色特征
3.1.4 特征性能评估
3.2 叶片特征分类
3.2.1 常用分类器
3.2.2 分类器性能评估
3.3 常用数据库
参考文献
第4章 基于PCNN的识别方法
4.1 PCNN
4.1.1 概述
4.1.2 PCNN模型
4.1.3 在图像处理领域的应用
4.1.4 在非图像处理领域的应用
4.1.5 硬件实现
4.2 基于PCNN的植物识别方法
4.2.1 熵序列的改进
4.2.2 对比实验结果
4.3 基于ICM的植物识别方法
参考文献
第5章 基于BOW和BOF的识别方法
5.1 BOW与BOF
5.1.1 BOW
5.1.2 BOF
5.1.3 编码方法对比
5.1.4 弱监督字典学习
5.2 基于BOW与DPCNN的方法
5.2.1 形状上下文特征
5.2.2 算法结构
5.2.3 实验结果
5.3 基于BOF与DPCNN的方法
5.3.1 算法结构
5.3.2 实验结果
5.4 基于VLAD的方法
5.4.1 算法结构
5.4.2 实验结果
5.5 基于BOW的组合特征方法
5.5.1 Jaccard距离与Laws纹理能量测量
5.5.2 算法结构
5.5.3 实验结果
参考文献
第6章 基于两级分类的植物叶片识别方法
6.1 基于区域面积占比的形状特征
6.1.1 特征描述
6.1.2 特征有效性分析
6.2 基于轮廓角点的形状特征
6.2.1 角点检测
6.2.2 特征描述
6.2.3 特征有效性分析
6.3 叶脉特征
6.3.1 叶脉提取
6.3.2 叶脉特征描述
6.4 基于形状的两级分类算法
6.4.1 两级分类策略
6.4.2 基于形状的第一级分类的实验分析
6.4.3 基于组合特征的第二级分类的实验分析
6.4.4 植物识别系统的总体评价
参考文献