图像识别的技术现状和发展趋势

龙源期刊网图像识别的技术现状和发展趋势作者：张家怡来源：《电脑知识与技术》2010年第21期摘要:该文描述了图像识别技术的国内外研究现状,介绍了图像识别过程的相关基本工作,并探讨了图像识别的关键步骤,包括图象分割、图像特征提取和分类和图像的匹配,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及计算机图像识别新技术。关键词:图像识别;图象分割;特征提取;匹配中图分类号:TP391文献标识码:A文章编号:1009-3044(2010)21-6045-02CurrentSituationandPerspectiveofImageRecognitionTechnologyZHANGJia-yi(AntennaDepartmentof54thInstituteofCETC,Shijiazhuang050081,China)Abstract:ThispaperintroducesthecurrentimagerecognitionresearchinChinaandabroad,andbasicrelativeworkinimagerecognition.Thenthispaperdescribesthecrucialstepsofimagerecognitionincludingimagesegmentation,featureextraction,classifyingandmatching.Finally,theadvantagesanddisadvantagesofvariousa1gorithmsarecomparedandthekeynewtechnologyisintroduced.Keywords:imagerecognition;imagesegmentation;pre-processing;featureextraction;matching1图像识别技术范畴图像识别技术的研究目标是根据观测到的图像,对其中的物体分辨其类别,做出有意义的判断。即利用现代信息处理与计算技术来模拟和完成人类的认识,理解过程。一般而言,一个图像识别系统主要由三个部分组成,如图1所示,分别是图像分割,图像特征提取以及分类器的识别分类。其中,图像分割将图像划分为多个有意义的区域,然后将每个区域的图像进行特征提取,最后分类器根据提取的图像特征对图像进行相应的分类。实际上,图像识别和图像分割并不存在严格的界限。从某种意义上,图像分割的过程就是图像识别的过程。图像分割着重于对象和背景的关系,研究的是对象在特定背景下所表现出来的整体属性,而图像识别则着重于对象本身的属性。图像分割以及识别技术在航空航天、医学、通信。、工业自动化、机器人、及军事等领域均有着广泛的应用。2图像识别的国内外研究现状龙源期刊网图像的识别与分割是图像处理领域研究最多的课题之一,但它们依然是众多研究人员的研究重心,因为己经取得的成果远没有待解决的问题多。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。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,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各。数字图像处理和识别的研究开始于1965年。数字图像与模拟图像相比具有存储,传输方便可压缩、传输过程中不易失真、处理方便等巨大优势,这些都为图像识别技术的发展提供了强大的动力。物体的识别主要指的是对三维世界的客体及环境的感知和认识,属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向,其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差,一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前,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、模糊模式识别。图像分割是图像处理中的一项关键技术,自20世纪70年代,其研究已经有几十年的历史,一直都受到人们的高度重视,至今借助于各种理论提出了数以千计的分割算法,而且这方面的研究仍然在积极地进行着。现有的图像分割的方法有许多种,有阈值分割方法,边缘检测方法,区域提取方法,结合特定理论工具的分割方法等。从图像的类型来分有:灰度图像分割、彩色图像分割和纹理图像分割等。早在1965年就有人提出了检测边缘算子,使得边缘检测产生了不少经典算法。但在近二十年间,随着基于直方图和小波变换的图像分割方法的研究计算技术、VLSI技术的迅速发展,有关图像处理方面的研究取得了很大的进展。图像分割方法结合了一些特定理论、方法和工具,如基于数学形态学的图像分割、基于小波变换的分割、基于遗传算法的分割等[1]。3图像识别的关键步骤3.1图象分割图像作为一个整体,有丰富的内容和色彩,我们所需要的目标和背景与整幅网像融为一体,不利于进行图像处理,因此,先将图象划分成若干个与物体目标相对应的区域,根据目标和背景的先验知识.对图像中的目标与背景进行标识、定位,将目标从背景或其他伪目标中分离出来,这种疗法称为图象分割。图象分割而成的区域所包含的信息包括了分区分割和对各分区的描述,利用这些区域中所包含的部分特征,例如灰度差别、局部纹理差别、彩色差别、局部统汁特征或局部区域的频谱特征的差别等,可以用来区分整幅图象种不同的目标物体,这些区域称为感兴趣区。因为我们是利用图象信息中的部分特征去进行区域分割,所以这样的分割方法并不具有通用性。3.2三种分割法龙源期刊网)基于阈值的分割这是一种最常用的区域分割技术,阈值是用于区分不同目标的灰度值。在图象只有目标和背景的情况下,只需选取单阈值分割,将图像每个象素的灰度值和阈值比较,灰度值大于阈值的象素和灰度值小于闽值的象素分别归类。2)基于区域的分割有两种基本形式:区域生长和分裂合并。前者是从单象素出发,逐渐合并以形成所需的分割结果。后者是从整个图象出发,逐渐分裂或合并以形成所需要的分割结果。与阈值方法不同,这类方法不但考虑了象素的相似性,还考虑了空间上的邻接性,因此可以有效地消除孤立噪声的干扰,具有很强的鲁棒性。3)基于边缘的分割是利用不同区域中象素灰度不连续的特点检测出区域间的边缘,从而实现图象分割。边界的象素灰度值变化往往比较剧烈首先检测图象中的边缘点,在按一定策略连接成轮廓,从而构成分割区域[4]。3.3图像特征提取和分类直接从图像原始灰度图提取特征,效率高,但容易提取出大量的伪特征信息。基于全局结构特征的分类方法,通过提取和分析方向图、奇异点等全局结构特征来实现分类。采用模仿人类进行图像分类的做法,对图像的变形有较强的鲁棒性;但图像质量较差时很难提取可靠的结构特征[5]。目前主流的特征提取和分类算法是基于局部细节特征的算法。局部细节特征提取的算法如下:利用一个3×3的模版来对细化后的图像进行端点和分歧点的特征提取,如图2所示,M是待检测的点,沿顺时针排列的P1,P2,P3,...,P8是它的8个邻域点,R(1),R(2),R(3...,R(8)分别是P1,P2,P3,...,P8的灰度值。如果M是端点,则它的邻域点满足式:如果M分支点,则它的邻域点满足如下等式:通过对图像进行遍历。可以找到图像的特征点,同时记录它们的类型和位置。3.4图像的匹配在图像匹配方面,很多学者进行了研究工作,但目前最常用的方法是细节匹配。细节点模式中细节点特征向量集合和输入细节点模式中细节点特征向量集合可分别表示为:龙源期刊网个细节点,输入细节点特征集合Q包括N个细节点。在以上表示方法的基础上,细节点匹配问题表述为:搜索P和Q中点之间的最佳对应关系,根据在此对应关系下相对应细节点的数目得到匹配分值Ms,并与阈值T比较,如果MST,则两个细节点模式匹配,如果gS4计算机图像识别新技术以色列魏兹曼研究院计算机科学家艾坦.沙龙博士正在与美国马萨诸塞综合医院的梅拉夫.格伦博士合作开发一种通过分级比较提高计算机识别物体的新方法。他们计划进一步研究并拓展这项技术的应用范围,使其成为多学科的医学诊断助手。参考文献:[1]章毓晋.图像处理和分析基础[M].北京:高等教育出版社,2002.[2]章毓晋.图像分割[M].北京:科学出版社.2001.[3]崔屹.图像处理与分析一数学形态学方法及应用[M].北京:科学出版社,2000.[4]杨小冬,宁新宝.自动图像识别系统图像分割算法的研究[J].南京大学学报,2004,40(4):424-431.[5]唐良瑞,谢晓辉.基于D-s证据理论的图像图像分割方法[J].计算机学报,2003,26(7):887-892.[6]李建华,马小妹.基于方向图的动态阕值图像图像二值化方法[J].大连理工大学学报2002,42(5):626-628.注:本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文