图像识别技术
课程教师：桑爱军老师
报告组成员：
五里雾
一、图像识别简介
图像识别是指图形刺激作用于感觉器官，人们辨认出它是经验过的某一图形的过程,也叫图像再认。在图像识别中,既要有当时进入感官的信息,也要有记忆中存储的信息。只有通过存储的信息与当前的信息进行比较的加工过程，才能实现对图像的再认。
人的图像识别能力是很强的。图像距离的改变或图像在感觉器官上作用位置的改变，都会造成图像在视网膜上的大小和形状的改变。即使在这种情况下，人们仍然可以认出他们过去知觉过的图像。甚至图像识别可以不受感觉通道的限制。例如，人可以用眼看字，当别人在他背上写字时，他也可认出这个字来。
图像识别技术可能是以图像的主要特征为基础的。每个图像都有它的特征,如字母A有个尖，P有个圈、而Y的中心有个锐角等。对图像识别时眼动的研究表明，视线总是集中在图像的主要特征上，也就是集中在图像轮廓曲度最大或轮廓方向突然改变的地方，这些地方的信息量最大。而且眼睛的扫描路线也总是依次从一个特征转到另一个特征上。由此可见，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。同时,在大脑里必定有一个负责整合信息的机制，它能把分阶段获得的信息整理成一个完整的知觉映象。
在人类图像识别系统中，对复杂图像的识别往往要通过不同层次的信息加工才能实现。对于熟悉的图形,由于掌握了它的主要特征，就会把它当作一个单元来识别，而不再注意它的细节了。这种由孤立的单
元材料组成的整体单位叫做组块，每一个组块是同时被感知的。在文字材料的识别中，人们不仅可以把一个汉字的笔划或偏旁等单元组成一个组块，而且能把经常在一起出现的字或词组成组块单位来加以识别。
图像识别技术是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。这个模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如,人们不仅能识别某一个具体的字母A,也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时,人能识别的图像是大量的，如果所识别的每一个图像在脑中都有一个相应的模板，也是不可能的。
为了解决模板匹配模型存在的问题，格式塔心理学家又提出了一个原型匹配模型。这种模型认为，在长时记忆中存储的并不是所要识别的无数个模板，而是图像的某些“相似性”。从图像中抽象出来的“相似性”就可作为原型，拿它来检验所要识别的图像。如果能找到一个相似的原型，这个图像也就被识别了。这种模型从神经上和记忆探寻
的过程上来看，都比模板匹配模型更适宜，而且还能说明对一些不规则的，但某些方面与原型相似的图像的识别。但是，这种模型没有说明人是怎样对相似的刺激进行辨别和加工的，它也难以在计算机程序中得到实现。因此又有人提出了一个更复杂的模型，即“泛魔”识别模型。
二、具体应用实例
基于方向梯度极值的手形轮廓跟踪算法
摘要
针对受自然光照影响的手形图像难以准确提取手形轮廓的问题,本文基于手形边界像素在垂直于边界方向上存在灰度突变的特性,提出了一种基于方向梯度极值的手形轮廓跟踪算法。该算法首先找到手形轮廓的起始点,然后按照一定的搜索方向和规则,在局部区域内计算候选点集中梯度极大值所在的点,并逐点跟踪极大值点,得到手形轮廓。将该方法在实验室自采图库及香港科技大学(HKUST)的手形图像库两个数据库中进行轮廓跟踪实验,结果显示,自采图库的跟踪准确率为100%,香港科技大学手形图像库的跟踪准确率为85.8%,该库中符合本文算法限制条件的图像的跟踪准确率为99.4%。实验结果表明,该方法能在灰度图像上直接跟踪出准确、连续、完整的手形轮廓,尤其适合于受光照不均影响的手形图像的边缘提取。
1引言
在生物特征识别领域,手形识别以其采集方便、处理速度快、对设备要求不高、易与其它特征组合成多生物特征识别等优点而备受关注和重视,已成为一种极具发展潜力的生物特征识别技术。
手形识别是指对手部的外部轮廓所构成的几何图形进行识别,提取的特征为手的不同部位的尺寸或是手指边缘的轮廓点集。因此手形轮廓提取的准确程度对整个手形识别过程至关重要,直接决定了提取特征的准确性。
采用现有的手形提取方法获取完整准确的手形轮廓图形时,对采集设备的遮光和光线要求比较严格,采集的大多是前景和背景灰度差异十分明显的不受光照影响的手形图像,通过阈值二值化和图像滤波来获得较好的分割效果。但这些手形提取方法都局限于各自的图像条件,适用范围局限性大。
在实际应用中往往不便于在采集图像时加入过多的限制条件,一是限制条件过多会使用户觉得不友好,甚至产生抵触情绪;二是这大大减小了手形识别/认证的适用范围,制约其发展。考虑到友好性、实用性和价格等因素,手形识别应尽量选用普通低成本设备,并尽量减少手形采集时的限制条件,但这就使得实际应用环境中采集的图像会不同程度地受到光照环境和采集设备的影响。如偏光导致的高光和阴影以及随着照明光源的位置变化,极易在提取过程中造成手形轮廓的缺失和冗余,而设备噪声也会给手形轮廓的提取造成很大的误差。因此,在这些图像条件下,原有的手形提取方法不再适用,需要寻找与之相适应的新的手形提取方法,以确保提取的特征受外界环境的干扰尽可能小。
针对实际环境中自然光照条件下拍摄的图像易受光照影响,而原有方法难以准确提取轮廓的问题,本文提出了一种基于方向梯度极值
的手形轮廓跟踪算法,在灰度图像上直接跟踪手形轮廓。该方法利用手形边界像素在垂直于边界方向上存在灰度突变的特性,从手形轮廓起始点开始,通过计算局部区域内的候选点中梯度极大值所在的点,并逐点跟踪极大值点得到手形轮廓。分别应用该算法对实验室自采的手形图像库和香港科技大学提供的手形图像库进行实验,结果表明了该算法的有效性。
2 本文轮廓跟踪方法
在手形灰度图像中,位于手形边界轮廓处的像素,在垂直于边界方向上存在灰度级的迅速变化,且真实边界点在垂直于边界方向上的灰度梯度应为局部区域内各像素梯度的极大值,因此可以通过判断局部区域内各点灰度梯度的大小找到手形的真实边缘点。本文方法首先定位手形轮廓的起始点,然后依据手形轮廓的走向在局部区域内确定出候选的轮廓点集,用合适的梯度卷积模板计算出候选像素点集中垂直于边缘方向上梯度最大的点(此处的边缘方向是指:从上一轮廓点到该候选点的方向),并逐点跟踪梯度最大点,既可得到完整的手形轮廓。
通过对大量图像的观察,发现位于手形边缘处存在3~4个像素宽度的灰度过渡变化带,如图1所示。由于该过渡带的存在,手形边界处的像素并非在单像素宽度内呈现梯度的急剧变化,因此用简单的微分算子难以找到真实边缘。算法关键是:(1)找到合适的梯度卷积模板;(2)在手形边界的过渡带像素中确定出真实边界点的准则。若选取的梯度卷积模板过小,则受过渡带像素的影响大,易出现梯度极大值
所在的点偏离手形轮廓的情况;而模板过大不仅会导致算法计算量大,而且对于手指间缝隙较小的图像,在跟踪至指跟处时,由于轮廓像素
的方向变化较快,过大的模板窗口在此处卷积后的值表征垂直于轮廓方向梯度的能力减小,影响跟踪的准确性。因此梯度卷积模板的选取至关重要。本文通过用不同大小、不同方向的模板对大量图像进行实验验证得出:本文选用的5X5大小的4个方向的梯度卷积模板计算手形边缘像素的灰度梯度效果最优。
本文均以手腕部位在图像右侧的右手图像为例阐述该算法,如图2。
2.1 轮廓跟踪算法描述
2.1.1 确定轮廓跟踪起始点
本文算法设定轮廓跟踪起始点为图像最右列的手腕上边缘点。位于手腕边缘处的像素点,灰度级存在明显变化,且真实边缘点处应有最大的灰度变化。微分边缘检测算子在图像灰度级迅速变化的点处得到较高的值,且灰度级变化越大,该点所得的值越大。因此本文用一个竖直方向的边缘检测模板(模板1),逐点与图像最右列像素做卷积,卷积所得的值即为图像中与模板中心元素对应的像素点在竖直方向上的梯度,梯度值最大且为正值的点即为手形轮廓起始点。
若在定位轮廓起始点时,出现两个梯度值最大且为正值的点的情况,则增大梯度模板,将模板上下各增加一个元素,用新模板对这两个梯度值最大且为正值的点重新求取梯度值,若两点的梯度值仍相等,
则继续增大模板,直至找到唯一的轮廓起始点。若出现两个以上梯度值相同的点,可用同样方法处理。
2.1.2 确定第二、第三轮廓点及轮廓走向
依据起始点位置,确定第二、第三轮廓点。本文轮廓跟踪顺序为:从起始点开始,沿逆时针方向,按照手形轮廓的自然走向逐点跟踪,直至跟踪到达图像右侧边缘,结束跟踪。因此第二轮廓点的候选点集为起始点(i, j)左侧的3个邻域像素点,如图3所示,3个候选点为
(i-1,j-1),(i,j-1),(i+1,j-1)。由于此时候选像素点位于图像边界,若采用本文的5X5模板进行卷积,位于图像边缘处的像素不够容纳模板窗口的大小,因此不适宜用本文5X5模板求取梯度的方法确定
第二轮廓点。故对第二轮廓点采用了如下求取方法:(1)依据公式(1)求得最大值MAX。(2)当公式(1)取得最大值MAX时,对应的像素点坐标(i+k,j-1)为第二轮廓点。
MAX=max{abs[h(i+k,j-1)-h(i+k-1,j-1)]} k=-1,0,1(1)
其中:h(p,q)为图像中第p行,第q列像素点的灰度值。
第二轮廓点确定后,依据第二轮廓点位置,用相同方法确定第三轮廓点,并将第三轮廓点作为当前点,将第二轮廓点到第三轮廓点的方向记录为当前方向。
2.1.3 轮廓跟踪规则
根据前一步的走向,即当前方向,确定下一步的可能走向(3个可选方向)。下一步走向的三个可选方向分别为当前方向以及对应于8方向码(如图4)中的当前方向的两个邻接方向。例如:若当前方向为
4,则下一步的可选方向为3、4、5;若当前方向为5,则下一步的可选方向为4、5、6;其余同理。对3个可能走向分别以从当前点沿该方向前进一点作为候选点,得到3个候选点,将每个候选点对应于卷积模板的中心元素求卷积。模板的选取是根据从当前点到该候选点的方向(称为候选方向)确定的,每个不同的候选方向对应于不同的卷积模板进行计算。若候选方向为0或4,选用0度方向模板;若候选方向为1或5,用135度方向模板;若候选方向为2或6,用90度方向模板;若候选方向为3或7,用45度方向模板,四个方向的卷积模板如图5所示。对3个候选点分别用与之相对应的方向梯度卷积模板求卷积,求得的值即为与该候选点的走向垂直方向上的梯度。当某一候选点位于手形轮廓真实边缘时,其垂直于边缘方向的梯度在三个候选点中应呈现出最大值。因此3个候选点中梯度绝对值最大的点以及该点对应的方向即为下一轮廓点及下一步走向。将找到的下一轮廓点作为新的当前点,将其对应的方向作为新的当前方向,循环此过程,直至遇到终止条件结束跟踪。
0度方向模板检测的是垂直方向的梯度,45度方向模板检测的是135度方向的梯度,其余两个方向模板同理。
2.1.4 轮廓跟踪的终止条件
依据模板窗口大小和跟踪结束时的轮廓走向,当当前点的横坐标距离图像右侧边界小于3个像素的距离,且跟踪方向为0或1或7时,跟踪结束。
2.2 算法步骤
(1)对图像中最右列的上数第四点至下数第四点之间的像素逐点用模板1做卷积,卷积所得的值最大的点记为轮廓跟踪的起始点。若得到两个(或两个以上)值最大的点,则将模板1上下各增加一个元素,用新模板对这两点重新做卷积,直至只得到一个最大值为止。初始化轮廓数组,并将起始点存入轮廓数组。
(2)将起始点的左侧邻域三点分别作为候选点,依据公式(1)计算得到第二轮廓点。再以第二轮廓点左侧邻域三点为候选点,用同样方法找到第三轮廓点。将第二、第三轮廓点分别存入轮廓数组。将第三轮廓点作为当前点CurrentPoint,将第二轮廓点到第三轮廓点的方向记录为当前方向CurrentDirection。
(3)将当前方向CurrentDirection以及对应于图4方向码中当前方向的两个邻接方向作为下一步的3个可能走向。
(4)从当前点沿着每个可能走向分别前进一点作为候选点。对每个候选点,依据从当前点到该候选点的方向,从图5中选取与该方向相对应的卷积模板,将该候选点对应于模板中心元素求卷积,将卷积结果的绝对值作为该候选点的灰度梯度值。
(5)比较第(4)步中3个候选点的灰度梯度值的大小,将值最大的候选点作为下一个轮廓点(若3个候选点的灰度梯度值出现相等的情况,则若出现相等情况的点中包括中心方向上的点,则取中心方向上的点作为下一轮廓点;否则,取中心方向右侧方向上的点作为下一轮廓点)。将找到的轮廓点存入轮廓数组,将当前方向更新为从当前点到该轮廓点的方向,再将当前点更新为该轮廓点。
(6)判断当前点坐标是否满足结束条件。若当前点的横坐标距离图像右侧边界小于3个像素,且跟踪方向为0或1或7时,跟踪结束,否则转(3)继续执行。
参考文献：《基于方向梯度极值的手形轮廓跟踪算法》，苑玮琦,董茜,桑海峰，沈阳工业大学视觉检测技术研究所。
3 实验结果
处理图像：
代码程序：
建立10个m文件
er.m,fangxianghans.m, gezhongsuanfa.m, juanji.m, lunkuo.m, moban.m, qishi.m, san.m, Untitled.m, youle.m,最终运行Untitled文件，代码如下：
1、er.m：
function secondpoint=er(firstpoint,I)
[M N]=size(I);
for i=1:3
chazhi(i)=I(M-1,firstpoint+i-1)-I(M-1,firstpoint+i-2);
end
second=find(chazhi==max(chazhi));
secondpoint=firstpoint+second(1)-1;
2、fangxianghans.m：
function fangxiang=fangxianghans(yqian,xqian,yhou,xhou) fang2=xhou-xqian;%1 0 -1 左右
fang1=yhou-yqian;%1 0 -1 上下
if fang1==0&&fang2==-1 %向左左 1
fangxiang=1;
end
if fang1==-1&&fang2==-1 %向左上左上2
fangxiang=2;
end
if fang1==-1&&fang2==0 %向上
fangxiang=3;
end
if fang1==-1&&fang2==1 %向右上右上4 fangxiang=4;
end
if fang1==0&&fang2==1 %向右右5
fangxiang=5;
end
if fang1==1&&fang2==1 %向右下右下6 fangxiang=6;
end
if fang1==1&&fang2==0 %向下
fangxiang=7;
end
if fang1==1&&fang2==-1 %向左下左下8 fangxiang=8;
end
fangxiang=fangxiang;
3、gezhongsuanfa.m：
clear;
I=imread('5.bmp');% 读图片
%figure;
%imshow(I);%原图像显示
%i2=im2bw(I,0.30);% 二值化%imshow(i2);%二值化显示BW = edge(I,'sobel',0.3); figure;
imshow(BW);%原图像显示
title('soble');
BW = edge(I,'prewitt'); figure;
imshow(BW);%原图像显示
title('prewitt');
BW = edge(I,'roberts'); figure;
imshow(BW);%原图像显示
title('roberts');
BW = edge(I,'log'); figure;
imshow(BW);%原图像显示
title('log');
BW = edge(I,'canny'); figure;
imshow(BW);%原图像显示
title('canny');
4、juanji.m：
function
pointvalue=juanji(xianpointy,xianpointx,I,y,x,moban)
wei_y=xianpointy+y;
wei_x=xianpointx+x;
I=im2double(I);
pointvalues=0;
for ii=1:5
for jj=1:5
pointvalues=I(wei_y+ii-3,wei_x+jj-3)*moban(ii,jj)+pointvalu es;
end
end
pointvalue=abs(pointvalues);
5、lunkuo.m：
function I_lunkuo=lunkuo(secondpoint,thirdpoint,I)
[M N]=size(I);
%fangxiang=fangxianghans(M,secondpoint,M-1,thirdpoint);
%xianpointx=thirdpoint;
%xianpointy=secondpoint;
points(2)=secondpoint;
points(1)=M-1;
point(2)=thirdpoint;
point(1)=M-2;
flag=1;
count=4;
lunkuopoint(1,1)=1;
lunkuopoint(1,2)=1;
lunkuopoint(2,1)=M-1;
lunkuopoint(2,2)=secondpoint;
lunkuopoint(3,1)=M-2;
lunkuopoint(3,2)=thirdpoint;
while flag==1
fangxiang=fangxianghans(points(1),points(2),point(1),po int(2));
xianpointy=point(1);
xianpointx=point(2);
pointqian=moban(fangxiang,xianpointy,xianpointx,I);
points=point;
point=pointqian;
if point(1)==M-2&&point(2)~=thirdpoint
%if count==M-10
浅析人工智能中的图像识别技术 本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！ 图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻。图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。文章简单分析了图像识别技术的引入、其技术原理以及模式识别等，之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛，人类的生活将无法离开图像识别技术，研究图像识别技术具有重大意义。 1 图像识别技术的引入 图像识别是人工智能科技的一个重要领域。图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。图像识别，顾名思义，就是对图像做出各种处理、分析，最终识别我们所要研究的
目标。今天所指的图像识别并不仅仅是用人类的肉眼，而是借助计算机技术进行识别。虽然人类的识别能力很强大，但是对于高速发展的社会，人类自身识别能力已经满足不了我们的需求，于是就产生了基于计算机的图像识别技术。这就像人类研究生物细胞，完全靠肉眼观察细胞是不现实的，这样自然就产生了显微镜等用于精确观测的仪器。通常一个领域有固有技术无法解决的需求时，就会产生相应的新技术。图像识别技术也是如此，此技术的产生就是为了让计算机代替人类去处理大量的物理信息，解决人类无法识别或者识别率特别低的信息。 图像识别技术原理 其实，图像识别技术背后的原理并不是很难，只是其要处理的信息比较繁琐。计算机的任何处理技术都不是凭空产生的，它都是学者们从生活实践中得到启发而利用程序将其模拟实现的。计算机的图像识别技术和人类的图像识别在原理上并没有本质的区别，只是机器缺少人类在感觉与视觉差上的影响罢了。人类的图像识别也不单单是凭借整个图像存储在脑海中的记忆来识别的，我们识别图像都是依靠图像所具有
图像识别技术研究现状综述 简介： 图像识别是指图形刺激作用于感觉器官，人们辨认出它是经验过的某一图形的过程,也叫图像再认。在图像识别中,既要有当时进入感官的信息,也要有记忆中存储的信息。只有通过存储的信息与当前的信息进行比较的加工过程，才能实现对图像的再认。图像识别技术是以图像的主要特征为基础的，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。在人类图像识别系统中，对复杂图像的识别往往要通过不同层次的信息加工才能实现。对于熟悉的图形,由于掌握了它的主要特征，就会把它当作一个单元来识别，而不再注意它的细节了。这种由孤立的单元材料组成的整体单位叫做组块，每一个组块是同时被感知的。图像在人类的感知中扮演着非常重要的角色，人类随时随处都要接触图像。随着数字图像技术的发展和实际应用的需要，出现了另一类问题，就是不要求其结果输出是一幅完整的图像，而是将经过图像处理后的图像，再经过分割和描述提取有效的特征，进而加以判决分类，这就是近20年来发展起来的一门新兴技术科学一图像识别。它以研究某些对象或过程的分类与描述为主要内容，以研制能够自动处理某些信息的机器视觉系统，代替传统的人工完成分类和辨识的任务为目的。 图像识别的发展大致经历了三个阶段：文字识别、图像处理和识别及物体识别：文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，并从印刷文字识别到手写文字识别，应用非常广泛，并且已经研制了许多专用设备。图像处理和识别的研究，是从1965年开始的。过去人们主要是对照相技术、光学技术的研究，而现在则是利用计算技术、通过计算机来完成。计算机图像处理不但可以消除图像的失真、噪声，同时还可以进行图像的增强与复原，然后进行图像的判读、解析与识别，如航空照片的解析、遥感图像的处理与识别等，其用途之广，不胜枚举。物体识别也就是对三维世界的认识，它是和机器人研究有着密切关系的一个领域，在图像处理上没有特殊的难点，但必须知道距离信息，并且必须将环境模型化。在自动化技术已从体力劳动向部分智力劳动自动化发展的今天，尽管机器人的研究非常盛行，还只限于视觉能够观察到的场景。进入80年代，随着计算机和信息科学的发展，计算机视觉、人工智能的研究已成为新的动向 图像识别与图像处理的关系： 在研究图像时，首先要对获得的图像信息进行预处理（前处理）以滤去干扰、噪声，作几何、彩色校正等，以提供一个满足要求的图像。图像处理包括图像编码，图像增强、图像压缩、图像复原、图像分割等。对于图像处理来说，输入是图像，输出（即经过处理后的结果）也是图像。图像处理主要用来解决两个问题：一是判断图像中有无需要的信息；二是确定这些信息是什么。图像识别是指对上述处理后的图像进行分类，确定类别名称，它可以在分割的基础上选择需要提取的特征，并对某些参数进行测量，再提取这些特征，然后根据测量结果做出分类。为了更好地识别图像，还要对整个图像做结构上的分析，对图像进行描述，以便对图像的主要信息做一个好的解释，并通过许多对象相互间的结构关系对图像加深理解，以便更好帮助和识别。故图像识别是在上述分割后的每个部分中，找出它的形状及纹理特征，以便对图像进行分类，并对整个图像做结构上的分析。因而对图像识别环节来说，输入是图像（经过上述处理后的图像），输出是类别和图像的结构分析，而结构分析的结果则
人脸识别技术优势 863计划、国家科技支撑计划、自然科学基金都拨出专款资助人脸识别的相关研究。国家“十一五”科技发展规划中也将人脸识别技术的研究与发展列入其中[4]，明确指出：“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，人脸识别具有高安全性、低误报率的出入口控制新产品。”在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展。如中科院自动化所，清华大学，中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。人脸识别作为一种新兴的生物特征识别技术(Biometrics)，与虹膜识别、指纹扫描、掌形扫描等技术相比，人脸识别技术在应用方面具有独到的优势： 1.人脸识别使用方便，用户接受度高。人脸识别技术使用通用的摄像机作为识别信息获取装置，以非接触的方式在识别对象未察觉的情况下完成识别过程。 2.直观性突出。人脸识别技术所使用的依据是人的面部图像，而人脸无疑是肉眼能够判别的最直观的信息源，方便人工确认、审计，“以貌取人”符合人的认知规律。 3.识别精确度高，速度快。与其它生物识别技术相比，人脸识别技术的识别精度处于较高的水平，误识率、拒认率较低。 4.不易仿冒。在安全性要求高的应用场合，人脸识别技术要求识别对象必须亲临识别现场，他人难以仿冒。人脸识别技术所独具的活性判别能力保证了他人无法以非活性的照片、木偶、蜡像来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。举例来说，用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。 5.使用通用性设备。人脸识别技术所使用的设备为一般的PC、摄像机等常规设备，由于目前计算机、闭路电视监控系统等已经得到了广泛的应用，因此对于多数用户而言使用人脸识别技术无需添置大量专用设备，从而既保护了用户的原有投资又扩展了用户已有设备的功能，满足了用户安全防范的需求。 6.基础资料易于获得。人脸识别技术所采用的依据是人脸照片或实时摄取的人脸图像，因而无疑是最容易获得的。 7.成本较低，易于推广使用。由于人脸识别技术所使用的是常规通用设备，价格均在一般用户可接受的范围之内，与其它生物识别技术相比，人脸识别产品具有很高的性能价格比。 概括地说，人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有极其广阔的市场应用前景。 我将人脸识别的一些应用列举出来，希望抛转引玉，大家不断完善，开拓更多的应用领域。 1）监控布控
毕业设计文献综述 题目：基于matlab的图像预处理技术研究 专业：电子信息工程 1前言部分 众所周知，MATLAB在数值计算、数据处理、自动控制、图像、信号处理、神经网络、优化计算、模糊逻辑、小波分析等众多领域有着广泛的用途，特别是MATLAB的图像处理和分析工具箱支持索引图像、RGB 图像、灰度图像、二进制图像，并能操作*.bmp、*.jpg、*.tif等多种图像格式文件如。果能灵活地运用MATLAB提供的图像处理分析函数及工具箱，会大大简化具体的编程工作，充分体现在图像处理和分析中的优越性。 图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。视觉是人类从大自然中获取信息的最主要的手段。拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。由此可见，视觉信息对人类非常重要。同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。 图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。 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。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
图像识别技术的背景 知了图像识别科技，是一家以图像识别算法为核心的高科技企业，目前已经开发出了，知了点拍，钢管，钢筋智能点数app。识别率高，点数速度快，极大的方便了需要对钢管，钢筋点数人员的工作，提高了效率，知了点拍，是施工和建材经销商的好帮手。 移动互联网、智能手机以及社交网络的发展带来了海量图片信息，根据BI五月份的文章，Instagram每天图片上传量约为6000万；今年2月份WhatsApp每天的图片发送量为5亿；国的微信朋友圈也是以图片分享为驱动。不受地域和语言限制的图片逐渐取代了繁琐而微妙的文字，成为了传词达意的主要媒介。图片成为互联网信息交流主要媒介的原因主要在于两点：第一，从用户读取信息的习惯来看，相比于文字，图片能够为用户提供更加生动、容易理解、有趣及更具艺术感的信息；第二，从图片来源来看，智能手机为我们带来方便的拍摄和截屏手段，帮助我们更快的用图片来采集和记录信息。 但伴随着图片成为互联网中的主要信息载体，难题随之出现。当信息由文字记载时，我们可以通过关键词搜索轻易找到所需容并进行任意编辑，而当信息是由图片记载时，我们却无法对图片中的容进行检索，从而影响了我们从图片中找到关键容的效率。图片给我们带来了快捷的信息记录和分享方式，却降低了我们的信息检索效率。在这个环境下，计算机的图像识别技术就显得尤为重要。 图像识别是计算机对图像进行处理、分析和理解，以识别各种不同模式的目标
和对像的技术。识别过程包括图像预处理、图像分割、特征提取和判断匹配。简单来说，图像识别就是计算机如何像人一样读懂图片的容。借助图像识别技术，我们不仅可以通过图片搜索更快的获取信息，还可以产生一种新的与外部世界交互的方式，甚至会让外部世界更加智能的运行。百度彦宏在2011年提到“全新的读图时代已经来临”，现在随着图形识别技术的不断进步，越来越多的科技公司开始涉及图形识别领域，这标志着读图时代正式到来，并且将引领我们进入更加智能的未来。 图像识别的初级阶段——娱乐化、工具化 在这个阶段，用户主要是借助图像识别技术来满足某些娱乐化需求。例如，百度魔图的“大咖配”功能可以帮助用户找到与其长相最匹配的明星，百度的图片搜索可以找到相似的图片；Facebook研发了根据相片进行人脸匹配的DeepFace；雅虎收购的图像识别公司IQ Engine开发的Glow可以通过图像识别自动生成照片的标签以帮助用户管理手机上的照片；国专注于图像识别的创业公司旷视科技成立了VisionHacker游戏工作室，借助图形识别技术研发移动端的体感游戏。 这个阶段还有一个非常重要的细分领域——OCR（Optical Character Recognition，光学字符识别），是指光学设备检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程，就是计算机对文字的阅读。语言和文字是我们获取信息最基本、最重要的途径。在比特世界，我们可以借助互联网和计算机轻松的获取和处理文字。但一旦文字以图片的形式表现出来，就对我们获取和处理文字平添了很多麻烦。这一方面表现为数字世界中由于特定原因被存储称图片格式的文字；另一方面是我们在现实生活中看到的所有物理形态的文字。所以我们需要借助OCR技术将这些文字和信息提取出来。在这方面，国产品包括百度的涂书笔记和百度翻译等；而谷歌借助经过DistBelief 训练的大型分布式神经网络，对于Google 街景图库的上千万门牌号的识别率超过90%，每天可识别百万门牌号。 在这个阶段，图像识别技术仅作为我们的辅助工具存在，为我们自身的人类视觉提供了强有力的辅助和增强，带给了我们一种全新的与外部世界进行交互的方
图像处理技术的研究现状和发展趋势 庄振帅 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。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。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT 装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学过程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向
医学图像配准技术 罗述谦综述 首都医科大学生物医学工程系(100054) 吕维雪审 浙江大学生物医学工程研究所(310027) 摘要医学图像配准是医学图像分析的基本课题,具有重要理论研究和临床应用价 值。本文较全面地介绍了医学图像配准的概念、分类、配准原理、主要的配准技术及评 估方法。 关键词医学图像配准多模 1 医学图像配准的概念 在做医学图像分析时,经常要将同一患者的几幅图像放在一起分析,从而得到该患者的多方面的综合信息,提高医学诊断和治疗的水平。对几幅不同的图像作定量分析,首先要解决这几幅图像的严格对齐问题,这就是我们所说的图像的配准。 医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。 医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支。涉及“配准”的技术名词除registration外,mapping、matching、co-registration、integration、align-ment和fusion 等说法也经常使用。从多数文章的内容看,mapping偏重于空间映射;fu-sion指图像融合,即不仅包括配准,而且包括数据集成后的图像显示。虽然在成像过程之前也可以采取一些措施减小由身体移动等因素引起的空间位置误差,提高配准精度(称作数据获取前的配准preacquisition),但医学图像配准技术主要讨论的是数据获取后的(post-acquisition)配准,也称作回顾式配准(retrospective registration)。当前,国际上关于医学图像配准的研究集中在断层扫描图像( tomographic images,例如CT、MRI、SPECT、PET等)及时序图像(time seriesimages,例如fMRI及4D心动图像)的配准问题。 2 医学图像基本变换 对于在不同时间或/和不同条件下获取的两幅图像I1(x1,y1,z1)和I2(x2,y2,z2)配准,就是寻找一个映射关系P:(x1,y1,z1) (x2,y2,z2),使I1的每一个点在I2上都有唯一的点与之相对应。并且这两点应对应同一解剖位置。映射关系P表现为一组连续的空间变换。常用的空间几何变换有刚体变换(Rigid body transformation)、仿射变换(Affine transformation)、投影变换(Projec-tive transformation)和非线性变换(Nonlin-ear transformation)。 (1)刚体变换: 所谓刚体,是指物体内部任意两点间的距离保持不变。例如,可将人脑看作是一个刚体。 处理人脑图像,对不同方向成像的图像配准常使用刚体变换。刚体变换可以分解为旋转和平移:P(x)=Ax+b(1) x=(x,y,z)是像素的空间位置;A是3×3的旋转矩阵,b是3×1的平移向量。
图像所学科建设与发展规划 根据学校建设世界知名高水平大学的发展目标，特制定图像所相应的学科建设与发展规划，以推动本学科的跨越式发展。 一、学科建设总体目标 （一）学科基础 图像识别与人工智能研究所（简称图像所）将继续以跻身于我国的国防科技的发展为切入点，从事发展巡航导弹中制导、末制导关键技术，承担相关预先研究和攻关科研任务为学科建设的主攻方向。 （1）目前本学科点共有五个研究方向： “计算机视觉与应用”、 “成像自动目标识别与精确制导技术”、 “多谱成像与遥感图像处理”、 “人工智能与思维科学” “面向模式识别的专用处理机与IC芯片设计”。 （2）本学科点现有科研人员26人，其中教授（含博士生导师）7人，副教授7人。科研教学梯队层次高，年龄、专业结构合理。现有教学科研用房4000 平方米。实验设备固定资产5000余万元，已初步形成先进、配套的教学、科研、开发环境和雄厚的技术储备。 （3）学科特点 模式识别与智能系统是信息科学技术领域中发展最迅速的前沿领域之一。
来自不同成像传感器的不同谱段的图像信号能全面揭示客观世界的各种特性，智能控制是人工智能与自动控制相结合的现代控制理论和技术，图像模式处理、识别与智能控制的结合构成了智能信息系统和智能自动化系统发展的基础，不仅科学意义深远而且有十分广阔的应用前景。本学科点的主要特色是紧密结合航天、航空和信息技术领域的国家目标，进行应用基础和应用技术的研究和开发，重点研究多谱段图像模式信息的获取、表示、处理、分析与智能系统领域的基础理论与关键技术，同时培养和造就本领域高层次、高质量的科技人才。本学科点具有特色和优势的研究方向是： ·计算机视觉与应用 在基于信息融合的信号处理、基于视觉、力觉和超声波接近觉的多传感器机器人系统和飞行器三维航迹规划技术方面具有特色，承担了国家重大型号XY-20末制导航迹规划攻关项目并进入型号研制。 ·成像自动目标识别与精确制导技术 开展面向复杂背景和随机环境下成像自动目标检测、识别、跟踪的新理论、新方法、新算法和新系统的研究，其特色是瞄准有关国家安全的国家目标,紧密结合航天航空高技术发展,在基于图象和图象序列的自动目标识别,景象匹配定位等精确制导领域开展应用基础和高技术的研究,并将一系列高水平成果应用于国防高技术武器系统中。 ·多谱成像与遥感图像处理 研究微波辐射特性及成像技术、激光雷达成像信号处理和遥感图像处理与
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且
数字图像处理技术的现状及其发展方向 一、数字图像处理历史发展 数字图像处理(Digital Image Processing)将图像信号转换成数字信号并利用计算机对其进行处理。 1.起源于20世纪20年代。 2.数字图像处理作为一门学科形成于20世纪60年代初期，美国喷气推进实验室(JPL)推动了数字图像处理这门学科的诞生。 3.1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置即CT(Computer Tomograph)，1975年EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。 4.从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展，人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界，其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论。 二、数字图像处理的主要特点 1．目前数字图像处理的信息大多是二维信息,处理信息量很大,对计算机的计算速度、存储容量等要求较高。 2.数字图像处理占用的频带较宽,在成像、传输、存储、处理、显示等各个环节的实现上,技术难度较大,成本也高,这就对频带压缩技术提出了更高的要求。 3.数字图像中各个像素是不独立的,其相关性大。因此,图像处理中信息压缩的潜力很大。 4.由于图像是三维景物的二维投影,一幅图像本身不具备复现三维景物的全部几何信息的能力,要分析和理解三维景物必须作合适的假定或附加新的测量。在理解三维景物时需要知识导引,这也是人工智能中正在致力解决的知识工程问题。 5．一方面，数字图像处理后的图像一般是给人观察和评价的,因此受人的因素影响较大，作为图像质量的评价还有待进一步深入的研究；另一方面，计算机视觉是模仿人的视觉,人的感知机理必然影响着计算机视觉的研究,这些都是心理学和神经心理学正在着力研究的课题。 三、数字图像处理的优点 1.再现性好；图像的存储、传输或复制等一系列变换操作不会导致图像质量的退化。 2.处理精度高；可将一幅模拟图像数字化为任意大小的二维数组,现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高。 3.适用面宽；图像可以来自多种信息源，图像只要被变换为数字编码形式后,均是用二维数组表示的灰度图像组合而成,因而均可用计算机来处理。 4.灵活性高；数字图像处理不仅能完成线性运算,而且能实现非线性处理,即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 四、数字图像处理过程及其主要进展 常见的数字图像处理有:图像的采集、数字化、编码、增强、恢复、变换、
伴随着通信技术与信息处理技术的迅猛发展,越来越多的纸质文档通过数字采集设备转换成文本图像,从而使文本图像数据能够快捷的在网络、卫星、传真通信信道中传输,因此,文本图像已逐渐成一个重要的信息来源。但是,现有的文本图像处理系统自动化程度低,且通用性不高,无法满足文本图像处理广泛性与实时性的要求。因此,研究如何对文本图像进行分析与处理,以便高效、快捷的获取文本图像的信息,是一项十分有意义的研究课题。本文在总结已有研究成果的基础上对文本图像的识别检索、预处理、版面分析和表格图像识别展开研究。所做的主要工作如下:1.依据图像的灰度分布和结构特征差异,对基于图像信息度量的文本图像识别检索算法进行改进,构造一种基于信息度量与Radon变换的文本图像识别检索算法。该算法综合利用文本图像与连续色调】图像的灰度分布与结构特征差异进行文本图像的识别检索。实验结果表明,所构造算法可有效降低文本图像识别检索的误识率。2.对基于Hough变换的文本图像倾斜检 图像识别，是利用计算机对图像进行处理、分析和理解，以识别各种不同模 式的目标和对像的技术。 图像识别可能是以图像的主要特征为基础的。每个图像都有它的特征,如字 母A有个尖，P有个圈、而Y的中心有个锐角等。对图像识别时眼动的研究表明， 视线总是集中在图像的主要特征上，也就是集中在图像轮廓曲度最大或轮廓方向 突然改变的地方，这些地方的信息量最大。由此可见，在图像识别过程中，知觉 机制必须排除输入的多余信息,抽出关键的信息。 图像识别的目的在于用计算机自动处理图像信息,以代替人去完成图像分类 及辨识的任务。数字图像处理与识别技术是模式识别领域一个重要的研究方向, 近几十年来,图像识别技术取得了深入和迅速的发展,并广泛应用于图像遥感、机 器人视觉、生物医学、地质勘探等多个领域。 随着图像识别技术在多领域的发展,由其在计算机视觉和图像处理研究中,已经取得了一定的研究成果。Mallat在小波变换中滤波器的设计、Belhumeur在Fisher变换中的识别模型和Largrange优化方式建立支持向量机。本文在总结上述研究成果的基础上,首先对摄像头采集的数据进行了处理,完成JPEG的编码,详细讨论了JPEG图像解码的过程并实现了其算法。
数字图像处理技术的研究现状与发展方向 孔大力崔洋 （山东水利职业学院，山东日照276826） 摘要：随着计算机技术的不断发展，数字图像处理技术的应用领域越来越广泛。本文主要对数字图像处理技术的方法、优点、数字图像处理的传统领域及热门领域及其未来的发展等进行相关的讨论。 关键词：数字图像处理；特征提取；分割；检索 引言 图像是指物体的描述信息，数字图像是一个物体的数字表示，图像处理则是对图像信息进行加工以满足人的视觉心理和应用需求的行为。数字图像处理是指利用计算机或其他数字设备对图像信息进行各种加工和处理，它是一门新兴的应用学科，其发展速度异常迅速，应用领域极为广泛。 数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。 数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。 1数字图像处理的目的 一般而言，对图像进行加工和分析主要有以下三方面的目的[1]： (1)提高图像的视感质量，以达到赏心悦目的目的。如去除图像中的噪声，改变图像中的亮度和颜色，增强图像中的某些成分与抑制某些成分，对图像进行几何变换等，从而改善图像的质量，以达到或真实的、或清晰的、或色彩丰富的、或意想不到的艺术效果。 (2)提取图像中所包含的某些特征或特殊信息，以便于计算机进行分析，例如，常用做模式识别和计算机视觉的预处理等。这些特征包含很多方面，如频域特性、灰度/颜色特性、边界/区域特性、纹理特性、形状/拓扑特性以及关系结构等。 (3)对图像数据进行变换、编码和压缩，以便于图像的存储和传输。 2数字图像处理的方法 数字图像处理按处理方法分，主要有以下三类，即图像到图像的处理、图像到数据的处理和数据到图像的处理[2]。 （1）图像到图像。图像到图像的处理，其输入和输出均为图像。这种处理技术主要有图像增强、图像复原和图像编码。 首先，各类图像系统中图像的传送和转换中，总要造成图像的某些降质。第一类解决方法不考虑图像降质的原因，只将图像中感兴趣的特征有选择地突出，衰减次要信息，提高图像的可读性，增强图像中某些特征，使处理后的图像更适合人眼观察和机器分析。这类方法就是图像增强。例如，对图像的灰度值进行修正，可以增强图像的对比度；对图像进行平滑，可以抑制混入图像的噪声；利用锐化技
１９１ 关于人工智能中的图像识别技术的研究 翁和王 （武夷学院数学与计算机学院，福建武夷山354300） 摘要：图像识别技术作为在信息时代发展起来的一项信息技术，其主要是利用计算机对人工进行替代，实现对众多的物 理信息进行处理。计算机技术快速发展也推动了图像识别技术得以迅猛的发展。文章就图像识别的技术原理、模式识别进行图像识别技术概述，并对其识别过程进行一定的分析，重点对神经网络以及非线性降维两个形式的图像识别技术加以分析。以期对图像识别有关的研究人员与应用人士有所参考。关键词：人工智能；原理与过程；图像识别技术；非线性；神经网络中图分类号：TP18文献标识码：A 文章编号：1673-1131（2016）10-0191-02 0引言 图像识别技术作为人工智能内的重要领域之一，在计算机技术和信息技术快速发展的背景下，其也得到了愈发广泛的使用，其在医疗诊断、指纹识别、面部识别以及卫星云图识别等方面具有着很好的应用。图像识别技术通常是指利用计算机对系统前端捕获的图片根据既定的目标对其进行处理。图像识别在人们日常的生活中也得到普遍的应用，诸如条码识别、车牌捕捉以及手写识别等。随着其不断的发展与完善，其今后的应用领域也会更加的广泛。 1图像识别技术的概述1.1图像识别的技术原理 事实上，图像识别具有的原理并非很深奥，主要是图像识别所需处理的信息非常的复杂。计算机中的所有处理技术均不能随意出现，是众多学者通过实践获得的启示，通过程序使其得到模拟与实现。计算机实现图像识别所需的原理与人类进行图像识别所需的原理基本上是一致的，仅仅是计算机不存在人类视觉和感觉方面的影响。人类在进行图像识别过程中并非仅是利用这一图像存在于脑海内的记忆加以识别，而是通过图像自身拥有的特征对其进行相应的分类，之后利用各个类别拥有的特征使图片被识别出来。当我们看到图片时，大脑便会快速感知出以前见过这张或与之相类似的图片与否。事实上在看到和感知间已经实现了快速的识别，这一识别与搜索存在一定的相似性[1]。在识别过程中，大脑将会按照存储记忆内被分好类的图片展开识别，检查其是否和这一图像存在相同或者是类似特征记忆存储，便识别出以往时候看见过这一图片。计算机进行图像识别的原理也是这样，利用分类和提取出图像的重要特征，并对多余的无用特征加以有效地排除，以此实现对图像的识别。计算机所能提取出来的上述特征有时会较为明显，而有时也会非常的普通，这在极大程度上对计算机识别效率造成一定的影响。总而言之，利用计算机进行视觉识别时，图像中的内容一般是通过图像特征对其加以描述的[2]。 1.2模式识别 模式识别作为信息科学与人工智能中的重要组成，其通 常是对现象和事物处于不同形式中信息实现处理与分析，以便能够达到对现象与事物进行分类、描述以及辨认等目标。而计算机能够实现图像识别便是对人类进行图像识别时的一种模拟，在实现图像识别时，能够展开模式识别是不可或缺的。以往的模式识别仅仅是人类所掌握基本智能之一，伴随人工智能以及计算机技术得到兴起与发展，人类自身具有的识别 模式便无法再满足人类的生活需求，对此人们便需要利用计算机来对人类脑力劳动进行一定程度的替代与扩展。这也就产生了计算机形式的模式识别。简而言之，模式识别便是对数据实现分类，其是一门和数学有着密切联系的科学，其所运 用的大量思想便是数学中的统计和概率[3] 。可以将模式识别分成统计模糊模式、识别模式识别以及句法模式识别三类。 2图像识别技术的识别过程 由于计算机进行图像识别和人类进行图像识别所采用的是一样的原理，因此上述两种识别过程也会存在一定的相似性。可以将图像识别技术划分为如下几步：第一步，信息的获取，其是指利用传感器将声音和光等信息装换为电信号，简而言之便是获取识别对象具有的基本信息，同时将其装换成为计算机可以识别的信息。第二步，预处理，其是指对图像进行去噪、变换以及平滑等处理操作，以此来提升图像所具有的重要特点。第三步，特征抽取与选择，其是在模式识别过程中，要对图像进行特征的抽取与选择，简而言之便是识别的图像是多种多样的，若想通过一定的方式将其分离开，便要对图像中拥有的自身特征进行识别，在特征的获取时便称为特征抽取[4]。在进行特征抽取过程中，获取的特征并非一定对本次识别有所价值，此时便要对所获取的特征进行一定的提取，这便是特征选择。对于图像识别整个过程而言，特征抽取与选择时期中最为关键的步骤之一，因此，这一步使进行图像识别理解时的重点内容。第四步，分类器设计与分类决策，其中分类器设计即利用训练来制定出一个识别规则，借此识别规则便能够获得一个特征种类，从而让图像识别可以达到更高的辨识率。而分类决策则是对特征空间内的被识别对象实现分类的最佳识别方法。 3图像识别技术的研究分析 3.1神经网络形式的图像识别技术 神经网络形式的图像识别是目前较为新型的技术，其是基于以往的图像识别方式，并将神经网络算法进行有效的融合。这里所说的神经网络指的是人工神经网络，换句话说便是该神经网络并非是动物体所拥有的神经网络，而是人类根据动物神经网络进行人工模拟的一种神经网络。对于神经网络形式的图像识别技术而言，遗传算法和BP 神经网络进行有效的结合是目前基于神经网络形式的图像识别技术内最为经典的模型，其在诸多的领域之中均有所应用。对图像识别系统运用神经网络系统，通常先对图像特征进行提取，之后将图像特征向神经网络中加以映射，以此实现对图像的识别与分类。例如，对于智能汽车监控中拍照识别技术而言， 2016 （Sum.No 166） 信息通信 INFORMATION &COMMUNICATIONS 2016年第10期（总第166期）
第1章绪论 1.1研究背景及意义 数字图像，又称数码图像或数位图像，是二维图像用有限数字数值像素的表示。通常，像素在计算机中保存为二维整数数组的光栅图像，这些值经常用压缩格式进行传输和储存。数字图像可以由许多不同的输入设备和技术生成，例如数码相机、扫描仪、坐标测量机等，也可以从任意的非图像数据合成得到，例如数学函数或者三维几何模型，三维几何模型是计算机图形学的一个主要分支。数字图像处理领域就是研究它们的变换算法。 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响:一是计算机的发展;二是数学的发展(特别是离散数学理论的创立和完善);三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 图像配准(Image registration)就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。 图像配准的方法迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其所采用的算法称之为图像相关等等。 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多基于灰度信息的图像配准方法，大致可以分为三类：互相关法（也称模板匹配法）、序贯相似度检测匹配法、交互信息法。 目前主要图像配准方法有基于互信息的配准方法，基于相关性的配准方法和基于梯度的配准方法。其中基于梯度的方法基本很少单独使用，而作为一个辅助
图像识别技术浅析 Analysis of Image Recognition Technology 刘峰伯软件学院2010544029 【摘要】:本文描述了图像识别系统的结构与工作原理，在对图像预处理、特征提取、分类、图像匹配算法进行深入研究和分析的基础上，分析和比较了各种算法的优缺点，并讨论了其中的关键技术。 【关键词】：图像识别；预处理；特征提取；匹配 【Abstract】This paper describes the structure and working principle of an image recognition system. The advantages and disadvantages of various a1gorithms are compared on the basis of in-depth analysis of the image pre-processing, feature extraction, classification and image matching algorithms, and discussed the key technology. 【Key Word】Image Recognition；Pre-Processing；Feature Extraction；Matchi ng. 一、引言 图像识别，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。随着计算机技术与信息技术的发展，图像识别技术获得了越来越广泛的应用。例如医疗诊断中各种医学图片的分析与识别、天气预报中的卫星云图识别、遥感图片识别、指纹识别、脸谱识别等，图像识别技术越来越多地渗透到我们的日常生活中。 二、图像识别系统 1、概述 自动图像识别系统的过程分为五部分：图像输入、预处理、特征提取、分类和匹配，其中预处理又可分为图像分割、图像增强、二值化和细化等几个部分。 （1）图像输入 将图像采集下来输入计算机进行处理是图像识别的首要步骤。 （2）预处理 为了减少后续算法的复杂度和提高效率，图像的预处理是必不可少的。其中
数字图像处理结课论文 ：X.X.X 学号：0.0.0.0.0.0.0.0专业：通信工程
浅谈学习数字图像处理技术的认识 摘要 数字图像处理技术是一门将图像信号转换成数字信号并利用计算机对其进行 处理的技术。图像信息是人类获得外界信息的主要来源，因为大约有70%的信息是通过人眼获得的，而人眼获得的都是图像信息。i通过数字图像处理技术对获得的图像信息进行处理来满足或者实现人们的各种需要。从某些方面来说，对图像信息的处理甚至比图像信息本身更重要，尤其是在这个科技迅猛发展的21世纪。 Abstract Digital image processing technology is a keeper image signals into digital signals and processed by computer technology. Images are a major source of human access to outside information, because some 70% of information was obtained through human eyes, are the image information obtained by the human eye. By means of digital image processing technology to obtain image information processing to meet or achieve people's various needs.In some ways, image information processing even more important than the image itself, especially in the rapid development of science and technology of the 21st century. 关键词 数字图像、处理、应用 引言 经过一个学期的学习，我对数字图像处理技术有了一个更加深刻的了解，做了几次MATLAB数字信号处理实验，知道了如何利用MATLAB编程来实现数字图像处理技术的一些基本方法，以及如何使用PHOTOSHOP软件来做一些简单的图像处理。 本文主要研究数字图像处理的特点，数字图像处理的分类, 数字图像处理的容，数字图像处理的实例，数字图像处理的具体实验举例，以及数字图像处理技术在日常生活中的一点应用 一、数字图像处理的特点 1.0处理精度高 按目前的技术，几乎可将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。对计算机而言，不论数组大小，也不论每个像素的位数多少，其处理程序几乎是一样的。换言之，从原理上讲不论图像的精度有多高，处理总是能实现的，只要在处理时改变程序中的数组参数就可以了。试想一下图像的模拟处理，为了要把处理精度提高一个数量级，就要大幅度地改进处理装置，这在经济上是极不合算的。