植物是人类生活中重要的资源,近年来,随着计算机模式识别和人工智能技术的不断发展,使用计算机视觉和数字图像处理手段对植物进行分割、分类、识别的研究逐渐成为研究的热点。植物叶片作为植物的重要组成元素,可以反映植物本身的种类、生长状况等重要信息,通过提取叶片的特征信息进行分析的方式在植物分类、鉴别及防虫防灾中均得到了广泛的应用。叶片图像,尤其是在自然场景下拍摄的叶片图像,一般背景较为复杂,存在相互遮挡,如何从中剔除背景元素,分割出目标叶片区域,为后续研究提供更为可靠的素材,具有十分重要的意义。本文以自然场景下的植物叶片图像为研究对象进行了研究。论文的主要研究内容如下:针对自然场景中植物叶片图像存在的前景、背景无法有效分割的问题,引入多阈值分割的思想,使用Otsu多阈值分割方法对叶片图像进行分割。但传统Otsu算法遍历选取多阈值的过程中运算时间较长,运用三种群体智能优化算法优化多阈值选取过程,通过实验对比,选择了速度较快、相对稳定、参数较少的人工蜂群算法优化Otsu多阈值选取的过程。同时,针对使用最优多阈值对图像进行分割时分割个数不好确定的问题,提出一种自适应确定叶片图像分割阈值个数的方法,以迭代的方式计算分离因子与分类数间函数关系曲线的夹角来动态确定分割阈值的个数,有效地分割了叶片图像中的前景区域和背景区域。对于叶片图像来说,感兴趣的区域仅为图中的目标叶片区域。因此,分析对比了各种边缘检测算子,并结合逻辑运算和数学形态学方法等,设计了从叶片图像多阈值分割结果中去除背景元素,进一步提取独立、完整的目标叶片区域的方法。通过多组对比实验验证,证明了本文提出的叶片图像分割算法在提升速度的同时兼具有效性。