[簡要]1、概述自動圖像識別系統的過程分為五部分：圖像輸入、預處理、特征提取、分類和匹配，其中預處理又可分為圖像分割、圖像增強、二值化和細化等幾個部分。（1）圖像輸入將圖像采集下來輸入計算機進行處理是圖像識...

1、概述

自動圖像識別系統的過程分為五部分：圖像輸入、預處理、特征提取、分類和匹配，其中預處理又可分為圖像分割、圖像增強、二值化和細化等幾個部分。

（1）圖像輸入

將圖像采集下來輸入計算機進行處理是圖像識別的首要步驟。

（2）預處理

為了減少后續算法的復雜度和提高效率，圖像的預處理是必不可少的。其中背景分離是將圖像區與背景分離，從而避免在沒有有效信息的區域進行特征提取，加速后續處理的速度，提高圖像特征提取和匹配的精度；圖像增強的目的是改善圖像質量，恢復其原來的結構；圖像的二值化是將圖像從灰度圖像轉換為二值圖像；圖像細化是把清晰但不均勻的二值圖像轉化成線寬僅為一個像素的點線圖像。

（3）特征提取

特征提取負責把能夠充分表示該圖像唯一性的特征用數值的形式表達出來。盡量保留真實特征，濾除虛假特征。

（4）圖像分類

在圖像系統中，輸入的圖像要與數十上百甚至上千個圖像進行匹配，為了減少搜索時間、降低計算的復雜度，需要將圖像以一種精確一致的方法分配到不同的圖像庫中。

（5）圖像匹配

圖像匹配是在圖像預處理和特征提取的基礎上，將當前輸入的測試圖像特征與事先保存的模板圖像特征進行比對，通過它們之間的相似程度，判斷這兩幅圖像是否一致。
下面將從圖像預處理、特征提取、圖像分類及特征匹配這幾個方面來討論自動圖像識別技術的研究現狀和一些不足之處。

2、圖像的預處理

預處理是圖像自動識別系統中非常重要的一步，它的好壞直接影響圖像識別的效果。預處理的目的是去除圖像中的噪聲，把它變成一幅清晰的點線圖，以便于提取正確的圖像特征

2.1?方向圖的計算

方向圖因具有真實性且能以簡化的形式直觀地反映圖像最基本的形態特征，因此廣泛應用于圖像增強、圖像特征的提取、圖像的自動分類、方向模版匹配等圖像識別的關鍵處理環節。提取方向圖的方法為：
（1）將圖像分割成足夠小的予塊。例如將圖像分為16×l6的非重疊小塊。
（2）對每個子塊的每一個點利用Sobel算子分別計算其x方向梯度和y方向梯度


（3）根據梯度值，每個子塊方向的計算公式如下：


上式中：w表示圖像塊的寬度，這里是16，得到后再將其量化為8個方向，從而得到圖像的方向。

2.2?圖像分割

傳統的圖像分割方法包括灰度方差法分割和局部灰度差法等，但是這兩種方法對于太濕或太干的圖像分割效果往往不準確。也有利用圖像具有較強的方向性的方向圖分割法，但基于方向圖的分割效果依賴于所求圖像的方向圖的可靠性，而對圖像對比度的高低并不敏感，對于單一灰度的區域，方向圖分割難以取得令人滿意的效果。近幾年也有學者提出了基于D-S證據理論的圖像分割方法。
總之，目前用于圖像分割的方法均各有利弊，采用單一特征的圖像分割方法難以達到理想的分割效果。可以把多種方法結合起來并加以改進，構造一種多級分割體系。對于一幅圖像，把它分為四類圖像區域：背景區、不可恢復區、清晰區、可恢復區。圖像分割的目的就是保持后兩類區域，而去除前兩類的區域。所謂三級分割是指：第一級分割出背景區域；第二級從前景中分割出模糊區域；第三級從模糊區域分割出：不可恢復部分。經過這樣的處理不僅節省了運算時間，而且提高了分割的可靠性。

2.3?圖像的增強

目前用的較為廣泛的是基于濾波的增強方法和基于傅里葉濾波的低質量圖像增強算法。Gabor濾波增強的基本出發點是基于圖像的數學模型，總的定義形式如下式：


要將Gabor濾波器用于圖像的處理，需要將偶函數改變為數字濾波器，如下式所示，這樣將Gabor函數的實部作為模板得到的濾波器更真實接近圖像的特征。

該方法綜合考慮到了圖像的方向特性和頻率特性。雖然本方法的濾波效果比較好，但是濾波過程中頻率計算和濾波計算所消耗的時間在整個圖像的預處理過程中所占用的時間比重較大。

2.4?二值和細化

根據圖像的灰度分布，統計其最佳的閾值是二值化算法研究的核心。傳統的二值化算法有靜態算法和動態算法。動態算法比靜態算法有著較好的效果，靜態算法對質量差的圖像區域產生大量的偽特征點，動態算法能夠在一定程度上彌補靜態算法的缺陷，但這樣也會引入更多的噪聲。在圖像二值化方面，近來又出現了一些新的方法，如一種基于方向圖的動態閾值圖像二值化方法。該方法直接從圖像灰度圖像中獲取動態閾值對圖像二值化，一次性完成一般圖像預處理中的分離無效區域、濾波、增強、二值化的過程。
對細化問題，國內外已提出多種細化算法，各有特點和不足，其中較具代表性的有以下幾種細化算法：經典快速細化算法、R．W．Hall細化算法、Rosenfeld細化算法、及Zhang?&?Suen細化算法等。目前使用較多的圖像細化算法有兩種：基于形態學處理的快速細化算法和OPTA算法及其改進形式。快速細化算法為4連通并行細化算法，原理是判斷出圖像紋線的邊界點并逐步刪除。該算法速度很快，但細化不徹底，細化后的紋線不是單像素寬。

3、圖像的特征提取和分類

直接從圖像原始灰度圖提取特征，效率高，但容易提取出大量的偽特征信息。基于全局結構特征的分類方法，通過提取和分析方向圖、奇異點等全局結構特征來實現分類。采用模仿人類進行圖像分類的做法，對圖像的變形有較強的魯棒性；但圖像質量較差時很難提取可靠的結構特征。
目前主流的特征提取和分類算法是基于局部細節特征的算法。局部細節特征提取的算法如下：
利用一個3×3的模版來對細化后的圖像進行端點和分歧點的特征提取，如下圖所示，M是待檢測的點，沿順時針排列的P1，P2，P3，···P8是它的8個鄰域點，R(1)，R(2)，R(3)···R(8)分別是P1，P2，P3，···P8的灰度值。如果M是端點，則它的鄰域點滿足下式：

特征提取模板

如果M分支點，則它的鄰域點滿足下式：

通過對圖像進行遍歷。可以找到圖像的特征點，同時記錄它們的類型和位置。

4、圖像匹配

在圖像匹配方面，很多學者進行了研究工作，但目前最常用的方法是細節匹配。細節點模式中細節點特征向量集合和輸入細節點模式中細節點特征向量集合可分別表示為：


其中模板細節點特征集合P包括M個細節點，輸入細節點特征集合Q包括N個細節點。在以上表示方法的基礎上，細節點匹配問題表述為：搜索P和Q中點之間的最佳對應關系，根據在此對應關系下相對應細節點的數目得到匹配分值MS，并與閾值T比較，如果MS>=T，則兩個細節點模式匹配，如果MS<T，則兩個細節點模式不匹配。
近年來，以遺傳算法和神經網絡為代表的計算智能理論和技術獲得了不斷豐富和發展，為細節點匹配問題的求解提供了很多新的思路和工具。如：基于遺傳算法的點模式匹配算法，該算法首先定義匹配誤差，然后搜索使匹配誤差最小的點對應關系，遺傳算法具有搜索全局最優解的能力，因此具有較強的魯捧性。

三、總結

以上對圖像識別系統的關鍵算法進行了討論和比較研究。圖像識別的整個過程步驟很多，每個步驟也有若干種算法，算法的好壞直接影響后續步驟的效果。雖然圖像識別技術已取得了巨大的成就，但目前的方法對質量較差的圖像的處理不太理想，算法的效率低，都是圖像識別需要解決的問題，還需要注重和提高以下幾個方面：
(1)由于Gabor變換對特征點區域的不敏感性，使得這部分的增強效果不佳，時常無法區分端點還是分支點，致使這一特征信息無效，考慮能否做出一定的改進，使得特征點類型劃分的可信度更高。此外，Gabor變換的效率雖然隨著計算機運行速度的提高而改善，但是與空域變換算法相比還有相當差距，考慮能否通過查表的方式提高Gabor變換的運行速度。
(2)考慮利用偽特征點在數學形態學上的分布規律，對偽特征點進行刪除。
(3)基于曲線結構和三角法來確定參考點的點模式匹配算法也是提高識別速度的一種方法。
總之，圖像識別極富挑戰性，僅僅采用一種現有方法難以取得良好的識別效果，如何提高識別率和識別速度、減少計算量、提高魯棒性、如何實用化都是值得研究的。

總結

以上是生活随笔為你收集整理的图像识别技术浅析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。