Python树叶识别系统源码解析：传统特征与PyQt5界面集成

简介：基于Python语言的树叶识别系统源码，是针对课程设计、期末大作业和毕业设计场景开发的完整项目，适合Python初学者、计算机专业学生以及需要快速构建图像识别应用的开发者。系统以树叶图像为识别对象，将图像处理算法与交互式界面整合在一起，功能完善、界面美观、操作简单，代码中附有详细注释，并配有可交互的UI文件，下载后只需简单配置环境即可运行，非常适合作为高分大作业或入门级图像识别项目学习。压缩包采用zip格式，大小仅6.98MB，共包含4个文件：2个Python脚本、1个UI界面文件和1个演示视频。脚本按功能拆分为核心识别与界面两部分，UI文件对应界面布局，演示视频直观呈现了树叶识别的完整流程与实际效果，便于快速上手、对照调试和二次开发。目前已有98人学习下载，资源轻量且目录清晰，既可直接作为课程设计或期末大作业的完整方案，也可帮助初学者理解Python图像识别与GUI开发的基本思路，具有较好的实用价值。

1. 拿到树叶识别源码包后，第一步不是跑通而是拆开看

基于Python语言的树叶识别系统源码+演示视频.zip这个压缩包在课程设计资源里辨识度很高，关键不在它用了多前沿的模型，而在于它把「图像识别」这件事完整落到了一个带界面的桌面上：Leaf.py负责特征提取和识别，UI_Leaf.ui是 Qt Designer 画的界面，UI_Leaf.py是转出来的界面代码，外加一段演示录屏。对于要做期末大作业或者查重后想扩展的人来说，最该先搞清楚的是四个文件之间的调用链，而不是急着python Leaf.py。这套系统的典型价值在于：它是传统视觉特征加分类器的方案，没有深度学习依赖，安装依赖少，普通笔记本就能跑，这恰恰是答辩时能讲清楚原理的优势。

2. 从文件结构反推系统架构：四份素材如何组成一个可运行的桌面应用

2.1Leaf.py、UI_Leaf.py、UI_Leaf.ui三者的职责边界

解压后你能看到典型的 PyQt 项目布局：.ui文件是 Qt Designer 生成的界面描述文件，本质是 XML；UI_Leaf.py是pyuic5把 XML 转出来的 Python 类，里面只有控件的创建和布局代码，没有任何业务逻辑；Leaf.py才是真正干活的文件，包含图像预处理、特征提取、分类器加载与预测。

这种「UI 与业务分离」的结构在课程设计里属于加分项，因为答辩时可以直接说：Leaf.py里改识别逻辑不影响界面，UI_Leaf.py里调整控件布局也不会碰算法。下面是四个文件的职责对照。

2.2 主流程的时间线：从点击按钮到显示识别结果

运行Leaf.py后，程序先初始化QApplication和主窗口，主窗口类会继承UI_Leaf.py里生成的界面类Ui_MainWindow，再通过self.setupUi(self)把控件绘制出来。用户点击「打开图片」按钮时，槽函数弹出QFileDialog选择图片，图片在QLabel上展示；点击「识别」按钮时，槽函数调用Leaf.py中的特征提取函数，把图像喂给分类器，再把结果写进状态栏或文本控件。

这里的核心逻辑链是：图像读取cv2.imread→ 预处理（缩放、去噪、背景分割）→ 特征向量生成 → 分类器predict→ 结果映射为树叶名称。这套链路里最容易出错的是特征维度不一致：训练时提取的特征向量是 100 维，识别时如果图像缩放尺寸不同导致特征数量不同，predict会直接抛维度错误。所以源码里通常会在特征提取入口做一个统一的target_size参数，我一般建议固定为(224, 224)或(256, 256)。

2.3 运行前环境准备：版本不对，代码注释再多也白搭

这套系统最常见的运行环境是 Python 3.8 到 3.10，依赖主要是PyQt5、opencv-python、numpy，如果分类器用到了 scikit-learn，还需要scikit-learn。安装时最容易踩的坑是opencv-python和opencv-contrib-python同时存在导致命名冲突，两个包的模块名都是cv2，装在一起会出现AttributeError: module 'cv2' has no attribute 'dnn'之类的诡异报错。

建议用虚拟环境隔离安装，命令如下：

python -m venv leaf_env source leaf_env/bin/activate # Windows 下改为 leaf_env\Scripts\activate pip install pyqt5 opencv-python numpy scikit-learn

pyqt5负责 GUI 渲染，opencv-python提供cv2模块做图像读写和颜色空间转换，numpy用来做数组运算和特征向量拼接，scikit-learn提供 SVM 或随机森林分类器。如果 demo 里用的是.pkl或.joblib后缀的模型文件，说明分类器是提前训练好的，你需要确认scikit-learn版本与训练环境一致，否则加载模型时会报ModuleNotFoundError或ValueError。版本不匹配时优先尝试降低 scikit-learn 到 1.0.x，这是加载旧模型最常见的修复路径。

3. 树叶特征提取实战：颜色直方图与轮廓形状参数如何组合成一个能分类的特征向量

3.1 为什么这套系统可以用传统视觉方案，而不必上深度学习

树叶识别的难点在于同类叶片形态差异大、不同类之间又有相似性，但对一个课程设计而言，目标只是区分数据集里的几个类别，传统特征完全够用。颜色特征能区分的类别需要叶片颜色有明显差异，形状特征则能抓取叶缘、叶基、长宽比这些几何信息。两者的组合向量通常在几十到上百维，SVM 或随机森林在这个维度下训练和推理都非常快，CPU 上单张图片识别时间能控制在 100 毫秒以内。

深度学习方案需要准备大量标注样本、训练时间按小时计、还要考虑 GPU，这些对一个期末大作业来说成本过高。从答辩角度讲，传统特征加 SVM 反而更容易把原理说到点子上，老师更愿意听到「我提取了哪些特征、为什么这些特征对树叶分类有效」而不是「我调了个预训练模型」。

3.2 颜色特征：量化直方图是性价比最高的编码方式

颜色特征最常见的做法是在 HSV 空间统计直方图，而不是直接用 RGB。原因在于 HSV 把色相（Hue）、饱和度（Saturation）、亮度（Value）分离了，光照变化主要影响 V 通道，计算直方图时可以把 V 通道的权重压低或者干脆只统计 H 和 S 通道，这样识别对光线强弱不敏感。绿叶在 H 通道大约落在 35 到 77 这个区间（OpenCV 中 H 范围是 0 到 179），黄叶、红叶会落在其他区间，所以色相直方图天然有区分度。

import cv2 import numpy as np def extract_color_histogram(image, h_bins=32, s_bins=32): # 转换到 HSV 空间 hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 计算 H 和 S 通道的二维直方图 hist = cv2.calcHist([hsv], [0, 1], None, [h_bins, s_bins], [0, 180, 0, 256]) # 归一化，消除叶片面积差异带来的影响 cv2.normalize(hist, hist, 0, 1, cv2.NORM_MINMAX) return hist.flatten()

calcHist的参数[0, 1]表示同时统计第 0 通道（H）和第 1 通道（S），[h_bins, s_bins]决定两个方向的直方图格子数，32 乘 32 得到 1024 维向量。NORM_MINMAX归一化是必须的，否则叶片大的样本直方图整体数值偏高，分类器会误把「面积」当成特征。实际使用中如果发现识别结果偏色严重，可以把h_bins调大到 64，但维度过高会增加过拟合风险，尤其当训练样本只有每类几十张时。

3.3 形状特征：从轮廓中提取面积、周长、圆形度和长宽比

形状特征的提取分为三步：图像灰度化 → 二值化分割背景 →findContours找轮廓。树叶在纯色背景下比较容易分割，但背景如果有阴影，简单阈值会失效，建议先用cv2.GaussianBlur去噪，再用cv2.Canny找边缘或直接用cv2.threshold的 Otsu 模式自适应选阈值。拿到最大轮廓后，就能计算一系列几何参数。

def extract_shape_features(gray_image): # 高斯模糊减少噪点，Otsu 自动选择二值化阈值 blurred = cv2.GaussianBlur(gray_image, (5, 5), 0) _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 查找轮廓，RETR_EXTERNAL 只取最外层轮廓 contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return None # 取面积最大的轮廓，通常是叶片主体 leaf_contour = max(contours, key=cv2.contourArea) area = cv2.contourArea(leaf_contour) perimeter = cv2.arcLength(leaf_contour, True) # 最小外接矩形，长宽比能区分狭长叶与阔叶 rect = cv2.minAreaRect(leaf_contour) width, height = rect[1] if rect[1][0] >= rect[1][1] else (rect[1][1], rect[1][0]) aspect_ratio = width / max(height, 1e-6) # 圆形度：1 接近圆，越小越不规则 circularity = 4 * np.pi * area / max(perimeter * perimeter, 1e-6) return np.array([area, perimeter, aspect_ratio, circularity], dtype=np.float32)

THRESH_BINARY_INV是因为树叶在亮背景上通常是暗色，取反后树叶区域变成白色、背景变黑色，这样findContours找的是叶子边界。RETR_EXTERNAL避免把叶片叶脉里的空洞也当作轮廓。area和perimeter受图像分辨率影响，如果训练和识别时图像尺寸不一致，需要把最终特征向量再做一次标准化，或者干脆在预处理阶段统一缩放尺寸。aspect_ratio和circularity是尺度无关的比值，能有效区分像柳叶这样细长和像荷叶这样圆润的叶片。

3.4 特征拼接与归一化：决定了分类器能不能收敛

颜色直方图是 1024 维，形状特征是 4 维，直接拼接后数值量纲差距巨大：面积可能是五位数，而圆形度是 0 到 1 之间的小数。SVM 默认使用径向基核，核函数依赖样本间的距离计算，量纲不一致会让面积特征主导距离度量，颜色和形状就白提了。因此拼接后的向量必须做标准化，常见的实现有两种：sklearn.preprocessing.StandardScaler或MinMaxScaler。

from sklearn.preprocessing import StandardScaler def build_feature_vector(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) color_hist = extract_color_histogram(image) shape_feats = extract_shape_features(gray) # 拼接前把浮点数统一为 float32 combined = np.concatenate([color_hist, shape_feats]).astype(np.float32) # StandardScaler 在训练集上 fit 后保存，测试时只做 transform return combined

注意StandardScaler必须在训练集上先fit，把每个维度的均值和方差存下来，然后对训练集和测试集统一transform。课程设计里常见的错误是测试时重新fit，导致分布不一致，识别率大幅下降。如果源码里没有保存标准化器，你可以自己补一个：训练阶段scaler.fit(train_features)，随后joblib.dump(scaler, 'scaler.pkl')保存，识别阶段加载后只调用transform。这个细节在答辩时主动讲出来，老师会觉得你真正理解特征工程，而不是只会跑通代码。

4. PyQt5 界面集成：把识别逻辑挂到UI_Leaf.ui的按钮上才算一个完整的系统

4.1 用 pyuic5 把.ui转成.py，但别去手动改生成的代码

UI_Leaf.ui里的控件布局和信号连接都可以直接用 Qt Designer 拖拽完成，但程序运行时不直接读.ui文件，PyQt5 有两种使用方式：一种是用uic.loadUi()在运行时动态加载，另一种是用pyuic5命令把.ui转换成.py。这套压缩包里的UI_Leaf.py显然是第二种方式生成的，因为转换后代码里全是QtCore.QObject.connect或self.pushButton.clicked.connect(...)这类固定写法。

pyuic5 UI_Leaf.ui -o UI_Leaf.py

转换命令只需要指定输入文件UI_Leaf.ui和输出文件UI_Leaf.py。生成后的文件会包含一个Ui_MainWindow类，内部有setupUi()和retranslateUi()两个方法。不要往生成的UI_Leaf.py里添加自己的识别逻辑，因为一旦你改了.ui再执行上面的命令，手动添加的代码会被整体覆盖。正确做法是在Leaf.py里定义一个主窗口子类，继承Ui_MainWindow并扩展槽函数。

4.2 界面控件与识别逻辑的对接方式

Leaf.py的主窗口类结构通常是：构造函数里先setupUi完成界面初始化，再手动绑定按钮信号。比如界面里有一个QPushButton名为btn_open，一个QLabel名为label_image，一个QPushButton名为btn_identify，还有一个QLabel或QTextEdit显示结果。

from PyQt5.QtWidgets import QMainWindow, QFileDialog, QMessageBox from PyQt5.QtGui import QPixmap from UI_Leaf import Ui_MainWindow import cv2 class LeafWindow(QMainWindow): def __init__(self): super().__init__() self.ui = Ui_MainWindow() self.ui.setupUi(self) self.current_image = None # 绑定按钮信号 self.ui.btn_open.clicked.connect(self.open_image) self.ui.btn_identify.clicked.connect(self.identify_leaf) def open_image(self): path, _ = QFileDialog.getOpenFileName( self, "选择树叶图片", "", "Image Files (*.jpg *.png *.bmp)") if not path: return self.current_image = cv2.imread(path) # 避免图像过大撑爆界面，统一缩放到 QLabel 尺寸 pixmap = QPixmap(path).scaled( self.ui.label_image.width(), self.ui.label_image.height()) self.ui.label_image.setPixmap(pixmap) def identify_leaf(self): if self.current_image is None: QMessageBox.warning(self, "提示", "请先打开图片") return # 调用特征提取与分类 feat = build_feature_vector(self.current_image) label = model.predict([feat])[0] self.ui.label_result.setText(f"识别结果：{label}")

clicked.connect是 PyQt5 最常用的信号槽连接方式，按钮被点击时自动调用对应槽函数。QPixmap(path).scaled缩放图片到界面显示区域，避免高分辨率图片把窗口撑变形。model是全局加载的分类器对象，在Leaf.py的if __name__ == "__main__":块里用joblib.load加载，不要在每次点击识别时重复加载，否则界面会有明显的卡顿感。build_feature_vector返回的是二维数组形式，model.predict要求输入必须是二维数组，所以这里用[feat]包了一层。

4.3 界面卡顿的坑：不要在槽函数里做耗时推理

如果识别一张图需要一两秒，直接在当前线程里做特征提取和分类会导致窗口无响应，因为你阻塞了 Qt 的事件循环。对于课程设计，最简单的规避是把识别逻辑放到单独线程或者直接用QApplication.processEvents()强制刷新界面让用户先看到「识别中」的状态。更优雅的方案是用QThread把预测任务丢到子线程，但涉及信号传递和线程安全，复杂度会上升。

对于树叶识别这种单张图片推理，常见做法是先用QTimer.singleShot(0, ...)或者threading.Thread把任务放到后台。

import threading def identify_leaf(self): if self.current_image is None: return self.ui.label_result.setText("识别中...") img = self.current_image.copy() thread = threading.Thread(target=self._run_identify, args=(img,)) thread.daemon = True thread.start() def _run_identify(self, img): feat = build_feature_vector(img) label = model.predict([feat])[0] # 槽函数在子线程里不能直接改界面，需要信号回传主线程 self.signal_result.emit(str(label))

threading.Thread启动一个后台线程，daemon = True保证主窗口关闭时线程自动结束。注意 PyQt 的界面控件不允许在子线程里直接调用，必须通过信号把结果传回主线程，所以需要自定义一个pyqtSignal对象，在主线程里连接到更新标签的槽函数。如果不做这一步，程序会随机崩溃或报QObject::setParent: Cannot set parent, new parent is in a different thread。答辩时不一定要展示多线程版本，但能解释清楚这个问题，说明你真的动手跑过、遇到过问题。

5. 演示视频该录什么：部署验证与识别精度调节的进阶技巧

录制演示视频前，先做三件事：确认测试图片与训练数据不是同一批；准备至少一张背景不那么干净的照片测试鲁棒性；把模型加载提前到程序启动时完成，避免视频里出现长时间白屏。录屏时按「打开图片 → 预处理 → 识别 → 显示结果」的顺序操作，时间控制在 60 到 90 秒，重点展示识别结果的置信度或类别标签，这比展示代码更打动评审。

识别精度调节有几个立竿见影的口子。背景分割阈值用 Otsu 计算后，可以加一个轮廓面积过滤：cv2.contourArea(contour) < 5000直接忽略，能去掉小面积噪点。颜色直方图的h_bins从 32 改成 48，对叶色相近的类别有改善，但有维度爆炸的代价，建议同时把s_bins降到 16 来平衡总量。形状特征中加入凸包面积比hull_area = cv2.contourArea(cv2.convexHull(contour))，用它除以原始面积得到凸度，能有效区分锯齿叶缘和光滑叶缘的叶片。如果测试集准确率在 85% 以下，优先检查训练集每个类别的图片数量是否均衡，最少类别的样本最好不低于 30 张。model.predict_proba输出的概率列表里最大概率低于 0.5 时，界面直接提示「未识别，请更换角度重新拍摄」，这是把工程化意识体现出来的好细节，评审通常会追问这一点，提前准备好能说得出来。

本文还有配套的精品资源，点击获取