中国50年的图像处理和模式识别发展我们感知的信息超过80％来自于我们的视野。随着需求和信息可用性的日益增加，执行图像分析和理解也就更为紧迫。因此，图像识别，已演变成人工智能的一个重要分支。它涉及分析、描述、认识和解释模式，对象或嵌入图像中的行为。在中国，图像识别研究开始在20世纪60年代（一个图像识别的历史一般概述，请参见侧栏的“一个图像识别的历史概述”）。在其早期阶段，在美国普渡大学教授国王孙富，在他的资助下发展很大。20世纪80年代，中国著名学者，如蔡资兴、戴汝为、徐光佑下工作富asvisiting学者。1981年，中国成为国际协会模式识别（IAPR）的正式成员，并举行了第一次模式识别和机器情报全国会议。1984年，中国的研究人员着手建立模式识别国家重点实验室。中国出版模式识别与人工智能的第一个问题是在1987年出版。从那时起，中国许多关于物体识别和模式分析的教科书出版，大大提高了中国人的图像识别研究。例子包括民德程图像识别、模式识别、圻扁和他的的同事们;计算机视觉与模式识别，郑南宁计算机视觉松德马云和他的的同事们。中国研究人员赶上国际同行仍然有很长的路要走。然而，在过去的50年，中国取
得了许多进展，尤其在基础研究和实际应用方面。基础研究图像识别的基本理论来源于模式识别。在20世纪80年代，戴汝为和石青云在中国进行了综合统计和句法模式识别方法的研究。他们的研究已经使得模式识别在中国的研究普遍起来。在20世纪80年代中期，戴相龙介绍了人工神经网络知识和工程应用研究。运用人工神经网络的学习，模式识别、联想记忆和形象思维，他提出一个统一的模式描述和知识表示。此外，他提出了一个集成基于物理符号处理，定性物理，知识可视化，和人工神经网络的各种模型的知识系统设计。20世纪90年代以来，中国科研人员在高维数据判别分析方面已取得显著成效，尤其是小的数据集，包括线性判别分析（LDA）和判别分析的Kullback- Leibler距离（KLDA）。与此同时，中国研究人员在立体视觉摄像机标定和立体匹配问题方面取得重要进展。此外，2DPCA（主成分分析）和2DLDA2D功能，如提取方法在中国起源于本世纪初。一些研究人员很快就适应了这些方法。在2002年，在高维空间点分布分析，提出仿生模式识别。模式不同于传统的基于数据分区的识别，仿生模式识别集中模式的理解。
应用在图像识别的初期，中国这一领域的研究应用
很少。然而，经过几十年的发展，中国的研究人员已在图像识别的应用方面取得了显著成绩。光学字符识别光学字符识别（OCR）程序，包括图像采集、图像预处理、版面分析、文本行分割、特征提取、字符识别和后处理（见图1）。对于任何字符识别方法，它的提取字符图像类相关的功能，最关键的是提取相关特征从字符到最大限度地相互信息。然而，这是一个挑战，由于许多因素，包括大量的字符，噪声，不同的字体，各种字符类型和复杂的文件布局。中国首次应用字符方面的图像识别研究，然而，中文OCR 的研究产生了一些相关的结果，直到20世纪60年代，中国的研究人员才开始对数字、英文字母和符号识别的初步研究。当时，胡启恒和她的同事在中国科学院院士研制出第一个实用的邮件分拣机在数字手写识别技术的基础上。在20世纪70年代末，研究者开始对汉字字符识别。在20世纪80年代初，国荣轩和他的同事们开始了计算机视觉的开拓性的研究和中国字符识别。中文字符识别的研究始于1986年，以获得其收获。许多研究机构，如清华大学，中国科学院自动化研究所，西安交通大学，河北大学，和南开大学，相继推出了中国的OCR产品。中国的研究人员已经几乎解决了印刷的中文字符识别相关的问题。他们已
经开发出许多技术，来分析和理解扫描文档图像，涉及多国语言，不同的字体，和复杂的布局。研究人员还提出在联机和脱机手写体汉字字符识别的进展。（网上的方法使用在识别过程中的钢笔的运动信息;离线方法没有，因此一般都比较困难）在20世纪90年代初，戴和他的同事开发HangWang笔系统，其性能相比，是毫不逊色的最先进的系统。清华大学的丁小青和她的团队在1992年，根据国内863计划，推广先进技术，开发TH-OCR系统（TH是清华大学缩写）。该系统实现了传统的中文字符99.8％的精度。此外，它还含有中文和英文文本文件。在TH- OCR 系统的基础上，2001年，由丁和吴有寿领导的中国工程院一个研究小组开发了一个高性能的认识系统，理解和重建文件的日本，韩国，和中国。它的整体性能已接近国际先进水平。清华大学与北京荣通IT，已推出了一系列先进的商业OCR软件。这些产品的例子使TH - OCR产品和文通TH - OCR数据进厂（见图2）。这些产品在国内和国外的OCR市场销售。
安全高效，可靠的身份认证技术的安全是至关重要的。由于固有的问题如身份证，护照，和密码（例如，容易伪造身份证）进行身份验证的传统方法，生物特征识别和认证技术已引起人们的注意。图3显示了一
个典型的生物认证系统框架。广泛研究的生物特征包括指纹，虹膜，人脸，掌纹，手形，耳朵形状。这些功能通过图像采集由传感器输入识别系统。图像识别算法，在这样的系统中发挥关键作用。中国是进行相关研究的首批国家之一。在20世纪80年代初，施和她的同事提出，指纹方向图，一套快速的指纹类型的分类和准确提取指纹中心，三角，形态和细节算法，在有效的指纹匹配算法的基础上，有或无中心的情况下，他们开发了一种先进的指纹自动识别系统（AFIS）。这样的系统，已在香港和深圳报关和监督的港口使用，并已在一些公司用来监视员工考勤。人脸识别是人类视觉系统的最重要和最基本的职能之一，是人类沟通的基础。人脸识别作为生物特征识别的关键技术，在图像识别中的一个活跃的研究课题。中国研究人员已经实现了一系列重要成果。清华大学丁和她的同事已经开发出一种高度准确的面部识别系统，以及进行国际公开评价。斯坦Z. Li和他的同事们在中国科学院院士设计了一种基于近红外成像人脸识别系统。应对在图像采集与特征提取的照明问题，他们已经大大提高了人脸识别系统的精度和鲁棒性。中国的许多机构已经建立大规模人脸图像数据库的人脸识别识别算法的研究和评价提供重要的数据源。图
4显示了来自西安交通大学的东方脸库（www. https://www.doczj.com/doc/6c11987781.html,/团体/面/中国/首页page.htm）的观点数据库的图像。使用的观点数据库，郑和他的同事们提出合并脸部（M面），一个统一的外观，逼真的面部建模的数学框架（见图5）。M -面可以产生情感的面部属性，在旋转的意见。身份认证的最终解决方案可能是多式联运的生物认证技术，集成了不同的特点和识别方法。中国科学院科学自动化研究所已在这一领域进行了大量研究。其成就的范围从图像采集设备识别算法，图像处理，模式分类，并从数据资源的性能评价和应用示范。其相关的研究，特别是在人脸识别，指纹识别，虹膜识别，代表了中国在这一领域研究的最高水平。他们还通过与国内和国外公司合作推出自动化的个人识别方面的许多先进商业项目。
交通运输智能交通系统（ITS）研究的目的是通过电脑控制，人工智能和通讯技术实现智能交通。当前ITS应用的监测和分析拍摄场景的环境和交通状况。基于图像处理和识别的方法已成为一个热门的研究课题。中国的车辆牌照，自治区车辆自动识别等领域的研究人员取得了显著成就。任何牌照识别系统必须找到实时输入图像的许可证，以便它可以自动提取和识别的牌照号码和字符。一般来说，这个过程涉及三
个密切相关的步骤：车辆牌照位置，特征提取，车牌识别。每一步都必须得到很好的落实，以确保系统的整体性能。中国车辆牌照识别的研究始于20世纪80年代中后期。在1991年，在西安交通大学的郑和他的同事开发出一种早期的高性能机器视觉系统自动识别车辆类型和许可证。在这一领域的许多商业产品已经在中国推出，包括汉王眼，从中国科学院科学院自动化研究所，并从亚洲视觉技术公司，深圳市吉通电子公司，众志交通电子公司产品。自主汽车在中国的研究始于20世纪80年代中后期。1989年，国防科技学者大学智能汽车的研究。在2000年，他们开发了一个结构化的环境，达到每小时75.6公里的无人驾驶汽车。西安交通大学，清华大学和浙江大学进行类似的研究。图6显示了在西安交通大学的自主汽车的制度框架。工业自动化可以显着提高工业生产率和效率。由于图像识别技术的许多优点，如间接接触，速度，可重复性和鲁棒性，，它已成为在工业自动化生产控制系统的关键。许多行业，如电子，汽车，纺织和印刷，使用的质量检查和测量，评价和排序的产品，环境工业机器人的感知图像识别等目的。近几十年来，中国的研究人员已经成功地开发各种基于图像的在线质量检验和测量系统。在1999年，天津
大学和南京依维柯汽车有限责任公司在863计划的支持下，开发依维柯白车身视觉三维激光检测系统（见图7）。（白车身的意思是“白色的机身”汽车的钣金焊接在一起，但没有被添加其他组件。）系统，大大提高自动车体检查，制造了第一台自动汽车制造阶段三维激光测量系统在中国的整车。在2003年，郑和他的同事们成功开发了在线监测和精简啤酒瓶质量检验的硬件系统（见图8）。该系统可以检测所提出的字母“B”啤酒瓶上的日期，97％的精度小于0.15秒。
中国的研究人员应用图像识别技术在其他工业领域，例如属性分析在精细印刷作品、医疗包、印刷电路板中的质量评估，检查的质量评估，评估织物的外观和结构，缺陷检测等活动庞大而复杂组装缺陷的部件，汽车零部件，电子产品生产线的组成部分、位置、以及对工业机器人的视觉位置测量。国防基于图像的自动目标识别（ATR）是一个核心技术，精确制导武器，战场态势感知，和其他先进国家国防任务。ATR的系统通过各种传感器，如红外传感器，合成孔径雷达、微波雷达、激光雷达、可以检测、定位和跟踪空中、海里或地面目标。高价值目标的自动识别和验证后，这些系统可以正确的引导武器定位目标。1992年，中国建立了ATR国防科技实验室。研究人
员取得了这样的成果，作为确定船舶雷达目标和一个空中目标识别系统。这些结果提供了一个新的武器和装备的研究奠定坚实的基础。张天序和他的同事在华中科技大学已经进行深入研究对于军事红外图像处理与识别，包括图像采集设备、基本算法和硬件平台。他们还开发了一种在ATR系统的基础上，融合的可见光和红外图像序列（见图9）。这种融合可以帮助提高目标追踪器的抗干扰能力，使武器可以准确定位目标，对高温目标敏感，并在所有天气条件下工作。医药病一直到人类生存的最大威胁。最近爆发的大规模流行疾病，如严重急性呼吸道综合征（SARS）和禽流感，已经敲响了警钟。随着医疗技术和计算机技术的发展，医学图像的自动识别和分析日益受到重视。这种技术的成功应用无疑可以提高医疗诊断和分析。在20世纪70年代，计算机断层扫描在临床用药的成功，显示的图像识别技术的应用到医学的开始。一个初步应用是黑肺病和结核病等肺部疾病，辅助诊断。在20世纪80年代，中国的研究人员开始采用这些技术用于乳腺癌、肺癌、脑血管病的诊断。最近，一些研究人员已经集成与B型超声成像技术的图像识别技术来诊断脂肪肝等疾病。2003年，在中国大面积爆发的SARS有助于推动基于图像识别疾病的研
究。中国公司已经开发了基于图像识别技术的医疗诊断其他类型的系统。例子包括MaiRui公司的DC-6Expert通用数字彩色超声诊断系统和北京TianHuiHua数码科技公司的数字彩色多普勒超声诊断仪。
农业机械化和复杂性的增加，正在成为在中国农业的主要趋势。这提供了很好的机会为图像识别在农业工程的发展机会。与工业图像识别应用相比，农业工程中的应用起步较晚。中国在20世纪90年代开始相关研究。随着传感器和图像信息采集技术的发展，近年来，农业工程中的应用研究已取得了很大进展。这些应用也日趋广泛，涉及农产品质量的评估、农业机器人、集约化农业、监测动物和植物生长等方面。几位中国大学和研究机构，如中国农业大学、浙江大学、北京农业机械研究所，开展了相关研究。这项研究大多侧重于质量评估和产品分级。2003年，北京市农业机械研究所研制出黄瓜自动分级系统。该系统把黄瓜分为五个等级，根据颜色、大小和体积。浙江大学开发出一种智能的实时检测和分级的水果产品线。这条线可以全面评估大小、颜色、形状、缺陷和其他质量因素。此外，中国的研究人员已经使用图像识别技术对农作物的种子质量品种进行鉴定和评估。随
着图像模式的日益复杂，要发展成为一个成熟的形象识别系统更有挑战性。为了应对这一挑战，你必须选择高效的算法、图像分割、特征提取、分类和决策中的实际问题。同时，你必须从应用环境中有效地利用多层次、多渠道的相关信息，并尽量减少信息的不确定性，通过信息融合，以提高系统的整体性能。然而，即使是最先进的系统仍明显逊色于人类。关键的问题可能是，我们仍然对关于人类认知的确切机制所知甚少。建立可以实现的一种理论认为，在实践中几乎是不可能的。认知是人类感知和思维的基本过程。其内容范围从遥感数据输入到复杂问题的解决，人类社会从人类个体活动到人的智能活动。它还涉及人类智力的属性。人类的认知机制的一个清醒的认识，将有助于提高图像识别技术。图11说明了智能图像信息处理与当前图像识别方法的认知机制相结合的过程。在西安交通大学的郑和他的同事们都进行了早期人类认知的选择性注意机制的研究。最近，他们扩展他们的研究，通过引进大型统计学习的概念。这样的研究可以受益认知科学和图像识别的整合，可能导致新型图像识别算法，从而提高了机器智能。图像识别的历史概述图像识别的研究始于20世纪40年代。然后，它在20世纪60年代迅速发展，。在过
去几十年中，其理论和方法，吸引了来自各个科学领域的许多研究者的关注。其应用涵盖人类社会生活的许多方面，如文件处理、军事、安全、生物医药、农业、工业自动化。图像识别的发展涉及三个阶段：字符识别、图像处理与识别和识别物体。字符识别的研究开始于1950年，它包括字母，数字和符号识别。字符识别的应用包括机器印刷字符识别和手写字符识别。20世纪50年代初看到的第一个商业光学字符识别（OCR）的设备。图像处理和识别的研究始于1965年左右;它企图利用计算机自动二维图像的分析和理解。识别物体的研究始于20世纪70年代末，它主要侧重于3D物体识别，密切相关的是计算机视觉。20世纪60年代中期以前，图像识别的方法主要是统计。但是，因为你不能直接使用上下文结构中的代表性和分析等方法，句法模式识别方法变得流行在20世纪70年代。在这种方法中，由富金孙提出的在20世纪70年代和80年代最为普遍。在20世纪80年代出现的复杂系统显示句法模式识别方法，由于原始的提取和语法的推理和串行计算形式的局限性未决问题的局限性。当时的并行分布式处理和反向传播算法的图像识别研究成功打开了另一扇门，最终导致人工神经网络（神经网络）的研究热潮。然而，人工神经网络
涉及的一些经验参数，如隐藏的级别号和节点号，在他们的应用中导致了许多问题。在20世纪90年代，统计模式识别与支持向量机（SVM的）和随机图模型的成功，再次成为一个研究重点。图像识别的研究可分为理论或应用。它包括了形象的描述、图像分析和应用为导向的系统开发。形象描述的主要困难是提取图像的功能，这些功能强大的环境变化。图像分析的关键挑战是选择适当的分析模型与图像特征相一致。图像识别的主要问题是选择提取特征和分类问题的具体方法，以提高识别系统的性能。
计算机视觉与图像处理、模式识别、机器学习学科之间的关系 在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。纵观一切关系，发现计算机视觉的应用服务于机器学习。各个环节缺一不可，相辅相成。 计算机视觉（computer vision），用计算机来模拟人的视觉机理获取和处理信息的能力。就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。 图像处理（image processing），用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本内容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。 机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。
图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning
1. 判断题（在题目后面的括号中填入T或F，分别代表正确或错误）。 (1) 灰度直方图是灰度级的函数，描述的是图像中具有该灰度级像素的个数，其纵坐标是灰度级，横坐标是该灰度出现的频率。（ F ） (2) 中值滤波是一种线性滤波，它在实际应用中需要图像的统计特性。（F ） (3) 图像经频域变换后其特点是变换结果能量分布向高频成分方向集中，图像上的边缘、线条等信息在低频成分上得到反映。（ F ） (4) 观察直方图可以看出不适合的数字化。（T ） 2. 单选题（每题只有一个选项是正确的） (1) 锐化（高通）滤波器的作用：A A 能减弱或削除傅立叶空间的低频分量，但不影响高频分量。 B 能减弱或削除傅立叶空间的高频分量，但不影响低频分量。 C 对傅立叶空间的低、高频分量均有减弱或削除作用。 D 对傅立叶空间的低、高频分量均有增强作用。 (2) 下列说法不正确的是 C A 点运算是对一副图像的灰度级进行变换。 B 线性点运算仅能拉伸或压缩直方图，以及使之左移或右移。 C 点运算可以改变图形内的空间关系。 D 点运算以预定的方式改变一幅图像的灰度直方图。 (3) 在所有颜色模型中，最常用于彩色图像的是：D A GMY B YIQ C HSV D HSI (4) 以下说法正确的是：B A 用数学形态学处理一些图像时，膨胀运算会收缩图像，腐蚀运算会扩大图像。 B 用数学形态学处理一些图像时，开运算和闭运算都可以平滑图像的轮廓。 C 在形态算法设计中，结构元的选择非常重要，它可以在几何上比原图像复杂，且 无界。 D 在形态算法设计中，用非凸子集作为结构元也是可以的。 (5) 数字图像的灰度直方图的横坐标表示：A A 灰度级 B 出现这种灰度的概率 C 像素数 D 像素值 (6) 以下说法正确的是 C A 先膨胀后腐蚀的运算称为开运算。 B 先腐蚀后膨胀的运算称为闭运算。 C 细化是将一个曲线型物体细化为一条单像素宽的线，从而图形化的显示出其拓扑 性质。 D 消除连续区域内的小噪声点，可以通过连续多次使用开闭运算。 (7) 下列描述正确的有 D A 只有傅立叶变换才能够完成图像的频率变换。 B 图像经频域变换后，变换结果是能量分布向高频方向集中，图像上的边缘、线条
上海交通大学图象处理与模式识别专业 考研 本学科创建于80年代初，是国内首批有权授予硕士学位、博士学位并设有博士后流动站的重点学科，也是国家“211工程”资助学科。1998年该学科改名为模式识别与智能系统。本学科点的创建人是我国著名图像处理和模式识别专家、美国匹兹堡大学访问学者李介谷教授。他的研究方向是模式识别和计算机视觉。 本学科依托图象处理与模式识别研究所，主要从事数字图象（图形）分析、文本信息处理、模式识别、机器视觉、自然语言理解、智能技术和系统等信息技术领域中前沿性的应用基础研究，具有基于数字信号处理器的硬件开发工具和网络环境下的工作站，个人机及专用的图象输入输出设备。包括序列图像分析，三维图像重构理论及应用，远程医疗和诊断；模式识别和计算机视觉是该学科的一个研究特色，已取得重大研究成果的项目有动态目标识别，字符和人脸识别，机器人视觉；计算机图形学和虚拟现实，多媒体技术和计算可视化；智能中文信息处理，中（英）文全文检索，基于内容的网上检索；人工智能和智能系统，主要从事人工神经网理论及应用，机器学习和推理、智能交通指挥系统等。目前正在进行的科研项目有国家高科技863项目，国家自然科学基金，国家教委博士点科研基金项目。省、部、市重大科技开发和国际合作项目。 模式识别和智能系统学科拥有设备先进的图像工程实验室。1978年恢复招收研究生来，已培养硕士、博士生216名，主要在国内外大学、科研机构和高新技术产业从事教学、科研及高新技术的开发研究工作。该学科有广泛的国际合作和交流，招收国内外访问学者和国外留学生。本学科所从事的研究项目曾多次荣获过国家科技进步一等奖、省部级的奖励，并有着广泛的国际合作和交流。 研究方向 a.数字图象处理 b.计算机模式识别 c.计算机图形学与CAD技术 d.人工智能与专家系统 e.计算机视觉 f.语音识别及机器翻译 g.人工神经网络 h.虚拟现实 i.算法理论与分析 j.网络信息处理 k.文本信息处理 l.网上三维图象重建 m.城市交通监控与管理系统 n.生物信息特征识别 o.网络信息智能处理 p.自然语言理解与人机界面 q.成像光谱技术与遥感 r.三维空间信息处理与分析 s.多媒体与网络信息智能处理 t.智能理论与系统。 本学科依托图象处理与模式识别研究所，主要从事数字图象（图形）分析、文本信息处理、模式识别、机器视觉、自然语言理解、智能技术和系统等信息技术领域中前沿性的应用基础研究，具有基于数字信号处理器的硬件开发工具和网络环境下的工作站，个人机及专用的图象输入输出设备。包括序列图像分析，三维图像重构理论及应用，远程医疗和诊断；模式识别和计算机视觉是该学科的一个研究特色，已取得重大研究成果的项目有动态目标识别，字符和人脸识别，机器人视觉；计算机图形学和虚拟现实，多媒体技术和计算可视化；
数字图像处理的就业前景收藏 最近版上有不少人在讨论图像处理的就业方向，似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。 就我看来，个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更高维的信号，从这个意义上来说，图像处理是整个信号处理里面就业形势最好的，因为你不仅要掌握（一维）信号处理的基本知识，也要掌握图像处理（二维或者高维信号处理）的知识。其次，图像处理是计算机视觉和视频处理的基础，掌握好了图像处理的基本知识，就业时就可以向这些方向发展。目前的模式识别，大部分也都是图像模式识别。在实际应用场合，采集的信息很多都是图像信息，比如指纹、条码、人脸、虹膜、车辆等等。说到应用场合，千万不能忘了医学图像这一块，如果有医学图像处理的背景，去一些医疗器械公司或者医疗软件公司也是不错的选择。图像处理对编程的要求比较高，如果编程很厉害，当然就业也多了一个选择方向，并不一定要局限在图像方向。 下面谈谈我所知道的一些公司信息，不全，仅仅是我所了解到的或者我所感兴趣的，实际远远不止这么多。 搜索方向 基于内容的图像或视频搜索是很多搜索公司研究的热点。要想进入这个领域，必须有很强的编程能力，很好的图像处理和模式识别的背景。要求高待遇自然就不错，目前这方面的代表公司有微软、google、yahoo和百度，个个鼎鼎大名。 医学图像方向 目前在医疗器械方向主要是几个大企业在竞争，来头都不小，其中包括Simens、GE、飞利浦和柯达，主要生产CT和MRI等医疗器材。由于医疗器械的主要功能是成像，必然涉及到对图像的处理，做图像处理的很有机会进入这些公司。它们在国内都设有研发中心，simens 的在上海和深圳，GE和柯达都在上海，飞利浦的在沈阳。由于医疗市场是一个没有完全开发的市场，而一套医疗设备的价格是非常昂贵的，所以在这些地方的待遇都还可以，前景也看好。国内也有一些这样的企业比如深圳安科和迈瑞 计算机视觉和模式识别方向 我没去调研过有哪些公司在做，但肯定不少，比如指纹识别、人脸识别、虹膜识别。还有一个很大的方向是车牌识别，这个我倒是知道有一个公司高德威智能交通似乎做的很不错的样子。目前视频监控是一个热点问题，做跟踪和识别的可以在这个方向找到一席之地。 上海法视特位于上海张江高科技园区，在视觉和识别方面做的不错。北京的我也知道两个公司：大恒和凌云，都是以图像作为研发的主体。 视频方向 一般的高校或者研究所侧重在标准的制定和修改以及技术创新方面，而公司则侧重在编码解码的硬件实现方面。一般这些公司要求是熟悉或者精通MPEG、H.264或者AVS，选择了这个方向，只要做的还不错，基本就不愁饭碗。由于这不是我所感兴趣的方向，所以这方面的公司的信息我没有收集，但平常在各个bbs或者各种招聘网站经常看到。 我所知道的两个公司：诺基亚和pixelworks 其实一般来说，只要涉及到成像或者图像的基本都要图像处理方面的人。比方说一个成像设备，在输出图像之前需要对原始图像进行增强或者去噪处理，存储时需要对图像进行压缩，成像之后需要对图像内容进行自动分析，这些内容都是图像处理的范畴。下面列举一些与图像有关或者招聘时明确说明需要图像处理方面人才的公司：上海豪威集成电路有限公司（https://www.doczj.com/doc/6c11987781.html,）、中芯微、摩托罗拉上海研究院、威盛（VIA）、松下、索尼、清华同方、三星。
图像处理与模式识别 实验手册 统计与计算科学系 2012年2月
实验一Matlab图像处理工具箱 实验目的与要求： 1. 回顾Matlab开发环境； 2. 初步熟悉Matlab图像处理工具箱函数。 作业： 在6.28.22:22/download/图像素材下载图像，熟悉图像工具箱中各命令并能完成matlab的基本编程。 实验二BMP位图的读写 实验目的与要求： 1. 初步熟悉VC＋＋6.0开发环境； 2. 了解VC＋＋6.0环境下BMP图像的读写过程，进而了 解BMP图像的文件结构。 作业： 在 6.28.22:22/download/图像素材下载图像，在VC＋＋6.0中读入BMP图像，熟悉其全部过程，将上面读入的图像进行反色等常用图像处理操作后保存。 实验三图像的几何变换 实验目的与要求：
1. 熟悉Matlab图像处理工具箱中有关几何变换的函数； 2. 通过具体的应用实例进一步理解和熟悉图像的几何变换。 作业： 在6.28.22:22/download/图像素材下载图像，自己编写算法完成图像的平移、旋转、放大和缩小，并与图像工具箱命令结果作比较。 实验四图像的频域变换 实验目的与要求： 1. 通过实例熟悉和理解图像的傅立叶变换和逆变换； 2. 通过实例熟悉和理解图像的离散余弦变换和逆变换。 作业： 在6.28.22:22/download/图像素材下载图像，自己编写算法完成图像的Fourier变换、反变换快速、Fourier变换和其他可分离变换算法，并与图像工具箱命令结果作比较。 1237a63231126edb6f1a103a.html 实验五图像增强与平滑 实验目的与要求： 1. 熟悉图像的直方图，了解图像的直方图均衡化；
武汉理工大学 模式识别及其在图像处理中的应用 学院（系）：自动化学院 课程名称：模式识别原理 专业班级：控制科学与工程1603班 任课教师：张素文 学生姓名：王红刚 2017年1月3日
模式识别及其在图像处理中的应用 摘要:随着计算机和人工智能技术的发展,模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法(统计决策法、句法识别、模糊识别、神经网络)及其存在的问题, 并且对近年来模式识别的新进展———支持向量机与仿生模式识别做了分析和总结, 最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词:模式识别;图像处理;特征提取;识别方法 Pattern Recognition and Its Application in Image Processing Abstract:With the development of computer and artificial intelli-gence , pattern recognition is w idely used in the image processing in-creasingly .T he feature extraction and the main methods of pattern recognition in the image processing , w hich include statistical deci-sion, structural method , fuzzy method , artificial neural netw ork aresummarized.T he support vector and bionic pattern recognition w hich are the new developments of the pattern recognition are also analyzed .At last, the problems to be solved and development trends are discussed. Key words:pattern recognition ;image processing ;feature extrac-tion;recognition methods
模式识别及其在图像处理中的应用 摘要：随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法（统计决策法、句法识别、模糊识别、神经网络）及其存在的问题，并且对近年来模式识别的新进展——支持向量机与仿生模式识别做了分析和总结，最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词：模式识别；图像处理；特征提取；识别方法
模式识别诞生于20世纪20年代，随着计算机的出现和人工智能的发展，模式识别在60年代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。图像处理就是模式识别方法的一个重要领域，目前广泛应用的文字识别（ MNO）就是模式识别在图像处理中的一个典型应用。 1.模式识别的基本框架 模式识别在不同的文献中给出的定义不同。一般认为，模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息，模式所属的类别或同一类中模式的总体称为模式类，其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地（或者人为进行少量干预）将待识别的模式分配到各个模式类中的技术。模式识别的基本框架如图1所示。 根据有无标准样本，模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器，通过该分类器对待识样本进行识别的方法。如图1，标准样本集中的样本经过预处理、选择与提取特征后设计分类器，分类器的性能与样本集的大小、分布等有关。待检样本经过预处理、选择与提取特征后进入分类器，得到分类结果或识别结果。非监督模式识别方法是在没有样本所属类别信息的情况下直接根据某种规则进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法，例如人脸检测、车牌识别等。无监督的模式识别方法主要用于图像分割、图像压缩、遥感图像的识别等。
中国50年的图像处理和模式识别发展我们感知的信息超过80％来自于我们的视野。随着需求和信息可用性的日益增加，执行图像分析和理解也就更为紧迫。因此，图像识别，已演变成人工智能的一个重要分支。它涉及分析、描述、认识和解释模式，对象或嵌入图像中的行为。在中国，图像识别研究开始在20世纪60年代（一个图像识别的历史一般概述，请参见侧栏的“一个图像识别的历史概述”）。在其早期阶段，在美国普渡大学教授国王孙富，在他的资助下发展很大。20世纪80年代，中国著名学者，如蔡资兴、戴汝为、徐光佑下工作富asvisiting学者。1981年，中国成为国际协会模式识别（IAPR）的正式成员，并举行了第一次模式识别和机器情报全国会议。1984年，中国的研究人员着手建立模式识别国家重点实验室。中国出版模式识别与人工智能的第一个问题是在1987年出版。从那时起，中国许多关于物体识别和模式分析的教科书出版，大大提高了中国人的图像识别研究。例子包括民德程图像识别、模式识别、圻扁和他的的同事们;计算机视觉与模式识别，郑南宁计算机视觉松德马云和他的的同事们。中国研究人员赶上国际同行仍然有很长的路要走。然而，在过去的50年，中国取
得了许多进展，尤其在基础研究和实际应用方面。基础研究图像识别的基本理论来源于模式识别。在20世纪80年代，戴汝为和石青云在中国进行了综合统计和句法模式识别方法的研究。他们的研究已经使得模式识别在中国的研究普遍起来。在20世纪80年代中期，戴相龙介绍了人工神经网络知识和工程应用研究。运用人工神经网络的学习，模式识别、联想记忆和形象思维，他提出一个统一的模式描述和知识表示。此外，他提出了一个集成基于物理符号处理，定性物理，知识可视化，和人工神经网络的各种模型的知识系统设计。20世纪90年代以来，中国科研人员在高维数据判别分析方面已取得显著成效，尤其是小的数据集，包括线性判别分析（LDA）和判别分析的Kullback- Leibler距离（KLDA）。与此同时，中国研究人员在立体视觉摄像机标定和立体匹配问题方面取得重要进展。此外，2DPCA（主成分分析）和2DLDA2D功能，如提取方法在中国起源于本世纪初。一些研究人员很快就适应了这些方法。在2002年，在高维空间点分布分析，提出仿生模式识别。模式不同于传统的基于数据分区的识别，仿生模式识别集中模式的理解。 应用在图像识别的初期，中国这一领域的研究应用
2.1图像模式识别的方法 图像模式识别的方法很多，从图像模式识别提取的特征对象来看，图像识别方法可分为以下几种：基于形状特征的识别技术、基于色彩特征的识别技术以及 基于纹理特征的识别技术。其中，基于形状特征的识别方法，其关键是找到图像中对象形状及对此进行描述，形成可视特征矢量，以完成不同图像的分类，常用来表示形状的变量有形状的周长、面积、圆形度、离心率等。基于色彩特征的识 别技术主要针对彩色图像，通过色彩直方图具有的简单且随图像的大小、旋转变换不敏感等特点进行分类识别。基于纹理特征的识别方法是通过对图像中非常具 有结构规律的特征加以分析或者则是对图像中的色彩强度的分布信息进行统计 来完成。 从模式特征选择及判别决策方法的不同可将图像模式识别方法大致归纳为 两类:统计模式(决策理论)识别方法和句法(结构)模式识别方法。此外，近些年随 着对模式识别技术研究的进一步深入，模糊模式识别方法和神经网络模式识别方 法也开始得到广泛的应用。在此将这四种方法进行一下说明。 2.1.1句法模式识别 对于较复杂的模式，如采用统计模式识别的方法，所面临的一个困难就是特 征提取的问题，它所要求的特征量十分巨大，要把某一个复杂模式准确分类很困难，从而很自然地就想到这样的一种设计，即努力地把一个复杂模式分化为若干 较简单子模式的组合，而子模式又分为若干基元，通过对基元的识别，进而识别子模式，最终识别该复杂模式。正如英文句子由一些短语，短语又由单词，单词 又由字母构成一样。用一组模式基元和它们的组成来描述模式的结构的语言，称为模式描述语言。支配基元组成模式的规则称为文法。当每个基元被识别后，利用句法分析就可以作出整个的模式识别。即以这个句子是否符合某特定文法，以判别它是否属于某一类别。这就是句法模式识别的基本思想。 句法模式识别系统主要由预处理、基元提取、句法分析和文法推断等几部 分组成。由预处理分割的模式，经基元提取形成描述模式的基元串（即字符串）。句法分析根据文法推理所推断的文法，判决有序字符串所描述的模式类别，得到判决结果。问题在于句法分析所依据的文法。不同的模式类对应着不同的文法， 描述不同的目标。为了得到于模式类相适应的文法，类似于统计模式识别的训练
车牌号码识别 第一部分引言 现代智能交通系统(ITS)中，车牌号码自动识别是计算机视觉与模式识别技术在智能交通领域应用的重要研究课题之一，是实现交通管理智能化的重要环节。车辆牌照识别技术可应用于道路交通监控、交通事故现场勘察、交通违章自动纪录、高速公路自动收费系统、停车场自动安全管理、小区智能化管理等方面，具有巨大的经济价。因此车牌号码自动识别技术已经得到了广泛应用。汽车牌照自动识别整个处理过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块，其中字符识别过程主要由以下3个部分组成：①正确地分割文字图像区域；②正确的分离单个文字；③正确识别单个字符。用MATLAB软件编程来实现每一个部分,最后识别出汽车牌照。在研究的同时对其中出现的问题进行了具体分析，处理。 第二部分对采集图像的预处理 数字图像处理（Digital Image Processing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变
换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的数字图像处理技术一般来讲,对图像进行处理(或加工、分析)的主要目的有三个方面： （1）提高图像的视感质量,如进行图像的亮度、彩色变换,增强、抑制某些成分,对图像进行几何变换等,以改善图像的质量。 （2）提取图像中所包含的某些特征或特殊信息,这些被提取的特征或信息往往为计算机分析图像提供便利。提取特征或信息的过程是模式识别或计算机视觉的预处理。提取的特征可以包括很多方面,如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。 （3）图像数据的变换、编码和压缩,以便于图像的存储和传输。图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。 1、图象的采集与转换（代码及截图） I=imread('car.jpg'); figure(1),imshow(I);title('原图') I1=rgb2gray(I); figure(2),subplot(1,2,1),imshow(I1);title('灰度图'); figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');
模式识别及其在数字图像处理中的应用 摘要：模式识别是人工智能领域的基础，随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。近年来，模式识别也去的了很多让人瞩目的成就，有很多不可忽视的进展。数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像是人类获取和交换信息的主要来源，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。基于模式识别的图像处理随着当今计算机和人工智能技术的发展，已经成为了图像识别领域的踪影研究方向。本文首先介绍了图像模式识别的基本理论和基本方法，然后阐述了模式识别在图像处理中应用理论，最后举例说明了模式识别在图像处理中的具体应用。 关键字：模式识别；人工智能；图像处理；特征提取；识别方法 1 模式识别技术的基本理论 1.1 模式识别的基本框架 模式识别是通过计算机对信息进行处理、判别的一种分类过程，是信号处理与人工智能的一个重要分支。人工智能是专门研究用机器人模仿人的动作、感觉和思维过程与规律的一门学科，而模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术和人工智能的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得）的识别。这是模式识别的两个重要方面。 在图像处理中，识别场景中的对象或区域是一个重要课题。图像模式识别的任务是从策略对象集的场景中识别对象。每个对象都是一种模式，并且策略值是模式的特征，同特征的相似对象集属于具体的模式类，测量特征的技术称为特征提取。模式识别的基本框架如图1所示： 图1 模式识别的基本框架 1.2 模式识别的方法