图像识别技术的现状与发展趋势

ISSN 1009-3044电子邮件: eduf @卷第6期21（2010 7）计算机知识和技术计算机知识和技术计算机知识和技术卷. 6，2010年7月21日，第6045-6046页电话: + 86-551-5690963 5690964图像识别技术的现状与发展趋势张家义（中国电子科技集团第54研究所天线伺服系，石家庄050081摘要: 本文介绍了图像识别技术在的研究现状，介绍了图像识别过程的基础工作，并讨论了图像识别的关键步骤，包括图像分割，图像特征提取与分类以及图像处理. 匹配，分析和比较各种算法的优缺点，并讨论了计算机图像识别的关键技术和新技术. 关键词: 图像识别图像分割特征提取;匹配的CLC编号: 文档标识码: 物品编号: TP391A1009-3044（2010）21-6045-02图像识别技术的现状与展望张家义（中国电子科技集团公司第54研究所天线系，石家庄050081）本文介绍了当前图像识别研究的现状，以及图像识别的基本相关工作. 然后，本文描述了图像识别的关键步骤，包括图像分割，特征提取，分类和匹配. 最后，比较了各种算法的优缺点，并介绍了关键的新技术. 关键词: 图像识别图像分割预处理；特征提取;匹配1图像识别技术类别图像识别技术的研究目标是根据观察到的图像区分物体的类型并做出有意义的判断.

即使用现代信息处理和计算技术来模拟和完类认知和理解的过程. 一般来说，图像识别系统主要由三个部分组成，如图所示，分别为图像分割，图像特征提取和分类器识别分类. 其中，图像分割将图像划分为多个有意义的区域，然后提取每个区域的特征，最后分类器根据提取的特征对图像进行分类. 实际上，在图像识别和图像分割之间没有严格的界限. 从某种意义上说，图像分割的过程就是图像识别的过程. 图像分割关注对象与背景之间的关系. 它研究特定背景下对象的整体属性，而图像识别则关注对象本身的属性. 图像分割和识别技术应用于航空航天，医学和通信领域. ，工业自动化，机器人技术，军事等领域得到了广泛的应用. 2图像识别研究的现状图像识别系统图1图像识别和分割是图像处理领域研究最多的主题之一，但它们仍然是许多研究者的研究重点，因为取得的成就取得成就远远没有等待解决许多问题. 图像识别的发展经历了三个阶段: 字符识别，数字图像处理和识别以及对象识别. 关于字符识别的研究始于1950年. 它通常识别字母，数字和符号. 从印刷字符识别到手写字符识别，它已被广泛使用，并且已经开发了许多特殊设备.

数字图像处理和识别的研究始于1965年. 与模拟图像相比，数字图像具有巨大的优势，例如存储，传输方便且可压缩，在传输过程中不易失真以及处理方便. 这些为图像识别技术的发展提供了强大的动力. 对象识别主要是指对三维世界的对象和环境的感知和识别，属于高级计算机视觉的范畴. 它是基于数字图像处理和识别的基础上，结合人工智能，系统等学科的研究方向，其研究成果被广泛应用于各个行业和检测机器人. 现代图像识别技术的一个缺点是自适应性能差. 一旦目标图像被强噪声污染或目标图像很大程度上不完整，通常就无法获得所需的结果. 图像识别问题的数学本质属于从模式空间到类别空间的映射问题. 当前，在图像识别的发展中，主要有三种识别方法: 统计模式识别，结构模式识别和模糊模式识别. 图像分割是图像处理中的关键技术. 自本世纪以来，其研究已有数十年的历史. 自1970年以来，它一直受到人们的高度评价. 到目前为止，在各种理论的帮助下已经提出了成千上万的建议. 分割算法以及该领域的研究仍在积极进行中. 现有的图像分割方法很多，包括阈值分割，边缘检测，区域提取以及结合特定理论工具的分割方法. 根据图像类型，可分为灰度图像分割，彩像分割和纹理图像分割.

早在1965年，有人提出了一种边缘检测算子，从而产生了许多经典的边缘检测算法. 但是在过去的二十年中，随着计算技术和基于直方图和小波变换的基于图像分割方法的超集成电路技术的飞速发展，图像处理的研究取得了长足的进步. 图像分割方法结合了一些特定的理论，方法和工具，例如基于数学形态学的图像分割，基于小波变换的分割[1]分割，基于遗传算法的分割等. 接收日期: 2010-05-09作者: 张家义（1980-），男，河北石家庄，助理工程师，现任中国电子科技集团公司第五十四研究所天线伺服系工作，主要研究方向为电子信息工程自动化. 本专栏的主编: 唐一东多媒体技术及其应用6045，第1卷，第1期计算机知识与技术621（2010 7）图像识别中的3个关键步骤3.1图像分割内容丰富的整体图像我们需要的颜色，目标和背景与整个网络图像集成在一起，这不利于图像处理. 因此，首先根据目标和背景的先后顺序将图像分为与目标对象相对应的几个区域. 知识可识别并定位图像中的目标和背景，并从背景或其背景中删除目标. 他与伪目标分离，这种处理称为图像分割.

使用图像划分的区域中包含的信息包括分区的划分和每个分区的描述，使用这些区域中包含的某些功能，例如灰度差异，局部纹理差异，颜色差异，局部控制局部区域的光谱特征的特征或差异可用于区分整个图像中的不同目标对象. 这些区域称为关注区域. 因为我们使用图像信息中的某些功能来进行区域分割，所以这种分割方法并不通用. 3.2三种分割方法1）基于阈值的分割这是最常用的区域分割技术之一，阈值是用于区分不同目标的灰度值. 在仅具有目标和背景的图像的情况下，仅需要选择单个阈值分割并将图像的每个像素的灰度值与阈值进行比较. 灰度值大于阈值的像素和灰度值小于阈值的像素分别分类. 2）基于区域的细分有两种基本形式: 区域增长和分裂合并. 前者从单个像素开始，逐渐合并以形成所需的分割结果. 后者是从整个图像开始，然后逐渐拆分或合并以形成所需的分割结果. 与阈值方法不同，该方法不仅考虑像素的相似性，而且考虑空间相邻性，因此可以有效消除孤立噪声的干扰，具有很强的鲁棒性. 3）基于边缘的分割是通过利用不同区域像素灰度不连续性的特征来检测区域之间的边缘，从而实现图像分割. 边界的像素灰度值的变化通常更显着. [4]首先检测图像中的边缘点，并根据特定策略将它们连接到轮廓中，从而形成分割区域.

3.3图像特征提取与分类直接从原始灰度图像中提取特征，效率高，但易于提取大量伪特征信息. 基于全局结构特征的分类方法，通过提取和分析方向图和奇异点等全局结构特征来实现分类. 模仿人进行图像分类的方法对图像变形具有很强的鲁棒性. 但是，当图像质量较差时，很难提取可靠的结构特征[5]. 当前的主流特征提取和分类算法是基于局部细节特征的. 用于提取局部细节的特征的算法如下: 使用模板来提取精炼图像的端点和分支点的特征. 如图所示，要检测的点按顺时针排列，3×32MP1 P2，分别是其邻点，分别是的灰度值. 如果是端点，则其邻点满足以下公式: P3 ... P8 8R（1）R（2）R（3 ... R（8）P1 P2 P3 ... P8M如果是分支点图像识别发展，则其邻点满足以下等式: M遍历图像，您可以找到图像的特征点并同时记录它们的类型和位置图形特征提取模板2 3.4图像匹配在图像匹配中，许多学者进行了研究. 工作，但是目前最常用的方法是细节匹配，在细节点模式下设置的细节点特征向量和在输入细节点模式下设置的细节点特征向量可以表示为: 其中，模板细节点特征集合包括一个细节点，输入细节点. 功能集包括一个细节点.

在上述表示方法的基础上，细节点匹配问题表示为: 搜索与中点之间的最佳对应关系，并根据该对应关系下对应的细节点的数量获得匹配分数. 阈值比为PQMsT [6]时，如果MS> T，则两个细节模式匹配，如果gS 图像识别发展，[4] ，. ，2004，40（4）: 424-431. 唐良瑞谢晓辉基于证据理论的图像与图像分割[5]，计算机学报. Ds [J]. ，2003,26（7）: 887-892. 李建华马晓梅. 基于方向图的动态二值图像二值化方法大连理工大学学报[6]，. [J] .2002,42（5）: 626-628. 6046多媒体技术及其应用负责本专栏的编辑: 唐一东

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-274099-1.html