植物分类是植物科学研究领域和农林业生产经营中重要的基础性工作，植物分类 学是一项具有长远意义的基础性研究，其主要的分类依据是植物的外观特征，包括叶、 花、枝干、树皮、果实等。因此，花卉分类是植物分类学的重要部分，利用计算机进 行花卉自动种类识别具有重要意义。 本文从常见的观赏花卉入手，探索了基于花朵数字图像对花卉进行种类识别的方 法。在己有研究的基础上，针对花朵的生长特点定义了颜色、纹理、形状等方面的特 征，并使用分级SVM分类器对花卉图像进行了识别。论文提出了分区域特征提取以 及极坐标系下的灰度共生矩阵适于描述放射状生长的花朵纹理特征，对提高系统的识 别准确率具有重要意义，此外，所设计的分级SVM分类器有效降低了分类器对样本 种类数量的敏感性，克服了SVM分类器对大样本量识别准确率低的问题。本文构建 了基于数字图像的花卉种类识别系统，并用五十种花卉对系统进行了测试，达到了 95.72%的识别准确率。实验结果表明，本文所实现的花卉种类识别系统具有较高的识 别准确率和稳定性。

基于ASP.net的花卉展示网站，包含后台，基本功能模块完全具备，只要再美化一下是一个很好的网站，对于学习ASP.net的同学们应该有很大的帮助

该数据集只保留了原来iris(鸢尾花卉)数据集3个类virginica，versicolor和setosa中的versicolor和setosa，并将versicolor用0.0表示，setosa用1.0表示。每类50个样本；每个样本是一个4维的特征向量,萼片长，萼片宽，花瓣长，花瓣宽；

基于正态云模型，用正向正态云发生器和逆向正态云发生器来模拟花卉的部分特征提取。

数据集为17 Category Flower Dataset，是牛津大学Visual Geometry Group选取的在英国比较常见的17种花；其中每种花有80张图片，整个数据集有1360张图片；类别已经分好，标签就是最外层的文件夹的名字，在输入标签的时候可以直接通过文件读取的方式。

亲测可以直接运行，先运行CNN训练神经网络，再运行predict进行花卉预测。