近几十年来,图像处理技术在医疗,军事,农业,工业等领域得到了广泛的应用。在信息爆炸的时代,原始数据量非常巨大,以至于即使进行了特征提取,特征的维度仍然不够低而导致信息处理速度不够快。对智能烟叶收购过程来说,样本的正确分级和分级速度会直接影响到智能分级系统在实际中的应用,而有效提高分级识别率和降低分级时间的有效方法就是选择性能比较好(同时考虑正确识别率和分类速度)的分类模型,同时对特征进行筛选以选择出个数最少的特征组合而提高特征提取和分级速度。因此本文具体研究工作展开如下:1.对图像进行低层处理。采集2016年41个等级共1588片烟叶的透射图像,然后进行背景分割、去除噪声等操作,最后提取几何、颜色、纹理、不变矩以及脉络等104个特征,并进行特征归一化。2.选择烟叶分级模型。本文共研究5个分类模型:稀疏表示、支持向量机、随机森林、自适应增强算法、误差反向传播算法,在进行特征筛选之前,首先对已经建立好的分级模型进行比较,采用原始的104个特征,实验表明稀疏表示具有最高的识别率,SVM次之;随机森林具有最高的识别速度,BP次之。特征组合筛选过程中,分级模型建立时间、分级正确率及速度都很重要,本文先后采用随机森林和支持向量机作为适应度函数对特征进行筛选。3.对特征组合进行分层剔除。第一层:基于离散度比值算法对特征进行初筛选,使得特征数目从104个减少到80个;第二层:分别采用IPSO、SGA、AGA、LAGA、ILAGA CCGA获得比较好的特征组合;最后利用频繁项集对筛选出来的特征计算支持度、置信度,利用自适应算法进行最后的特征组合选择。4.实验结果表明,本文提出的高层特征组合筛选方法可以在保证模型建立时间的基础上提高识别准确率,降低计算复杂度。以随机森林为适应度函数筛选剩28个特征,RF分级模型的识别效果可以达到89.42%和分级速度12,500片/s;以支持向量机为适应度函数筛选也是28个特征,SVM分类器的识别精度89.42%和分级速度3,333片/s。