圖像分類識別方法研究

趙重陽　王松會　夏文杰

摘要：圖像分類識別是用計(jì)算機(jī)對圖像進(jìn)行一系列操作來識別不同的圖像，包括圖像預(yù)處理、圖像的分割、圖像的特征提取，最后是圖像的分類。圖像分類識別方法多來源于模式識別，近年來隨著計(jì)算機(jī)技術(shù)發(fā)展和分類算法提出，圖像分類識別方法越來越多。該文分析的分類算法是在模式識別基礎(chǔ)上進(jìn)行圖像分類識別，首先介紹圖像分類識別國內(nèi)外研究現(xiàn)狀，然后分析幾種分類識別算法的優(yōu)點(diǎn)和缺陷，便于更好地深入研究圖像的分類算法。

關(guān)鍵詞：分類識別；模式識別；圖像分類

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）32-7731-03

1 概述

圖像分類識別根據(jù)圖像的不同特征對圖像進(jìn)行分類，有相同特征的對象歸為一類。圖像分類識別方法隨著數(shù)學(xué)算法的不斷進(jìn)步而不斷發(fā)展。目前，圖像分類識別的主要方法主要有六種：模糊集識別、統(tǒng)計(jì)識別、神經(jīng)網(wǎng)絡(luò)識別、結(jié)構(gòu)識別、模版匹配和支持向量機(jī)。這幾種方法各有優(yōu)缺點(diǎn)，根據(jù)具體情況來具體分析和應(yīng)用，也可以多種方法相結(jié)合使用。

圖像分類識別系統(tǒng)包括幾個(gè)步奏[1]，如圖 1所示，一是獲取原圖像的信息，二是對圖像預(yù)處理，三是圖像分割，四是圖像特征提取，五是圖像分類識別。

1） 統(tǒng)計(jì)識別法

統(tǒng)計(jì)識別的理論基礎(chǔ)是數(shù)學(xué)的決策理論，在決策理論基礎(chǔ)上建立統(tǒng)計(jì)識別模型，統(tǒng)計(jì)識別模型對要分類的圖像進(jìn)行統(tǒng)計(jì)分析，統(tǒng)計(jì)出圖像的各類特征，找出準(zhǔn)確反映圖像類別的特征，最后進(jìn)行分類。其主要的技術(shù)有聚類分析法、統(tǒng)計(jì)法、KNN等。但是，統(tǒng)計(jì)識別法不能識別圖像空間相互關(guān)系（即結(jié)構(gòu)關(guān)系）。如要分類圖像的結(jié)構(gòu)特征是主要特征，用統(tǒng)計(jì)識別就不能識別圖像。

在進(jìn)行分類時(shí)需要大量圖像樣本，先統(tǒng)計(jì)圖像樣本特征，設(shè)定圖像識別的一系列參數(shù)（即統(tǒng)計(jì)學(xué)習(xí)）。

統(tǒng)計(jì)識別法流程如圖2[1]，輸入的圖像信息是原始圖片；圖像處理是對樣本圖像濾波、分割和特征提??；最后是圖像分類，輸出結(jié)果。

2） 結(jié)構(gòu)識別法

結(jié)構(gòu)識別法即是句法識別，是對統(tǒng)計(jì)識別法不能識別圖像結(jié)構(gòu)特征的補(bǔ)充，因?yàn)榻y(tǒng)計(jì)算法不能統(tǒng)計(jì)圖像的結(jié)構(gòu)信息，只能統(tǒng)計(jì)圖像的數(shù)字特征。結(jié)構(gòu)識別法用符號表現(xiàn)圖像的特征。結(jié)構(gòu)識別采用的結(jié)構(gòu)是層次結(jié)構(gòu)，把復(fù)雜圖像分解成單子圖像，而子圖像又可以分解為更簡單的子模式，一直分解下去，直到分解為最簡單的子模式，即模式基元。通過對模式基元的識別，進(jìn)而識別子模式，最終識別該復(fù)雜的模式。結(jié)構(gòu)識別法流程如圖3所示。

3） 神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)法是通過我們學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法對圖像進(jìn)行分類。神經(jīng)網(wǎng)絡(luò)方法與統(tǒng)計(jì)識別方法在很多方面是有聯(lián)系的，都利用樣本數(shù)據(jù)完成圖像的分類識別，并且在有的算法上還可以看作是一定的等價(jià)關(guān)系。神經(jīng)網(wǎng)絡(luò)算法的結(jié)構(gòu)由一個(gè)輸入層、若干個(gè)中間隱含層和一個(gè)輸出層組成。神經(jīng)網(wǎng)絡(luò)法通過學(xué)習(xí)，能夠從原始圖像的復(fù)雜數(shù)據(jù)中找到相識的圖像特征，對圖像進(jìn)行正確的分類。神經(jīng)網(wǎng)絡(luò)法克服了統(tǒng)計(jì)識別算法過程中的復(fù)雜性，以及模型選擇的一些困難，是一種非線性建模過程，不需要分清圖像中存在的非線性關(guān)系，給圖像分類帶來的極大方便。

神經(jīng)網(wǎng)絡(luò)算法有不同的網(wǎng)絡(luò)結(jié)構(gòu)，所以構(gòu)造神經(jīng)網(wǎng)絡(luò)時(shí)首先要選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)法圖像分類時(shí)首先要輸入圖像的文理特征和結(jié)構(gòu)特征等一系類參數(shù)；中間經(jīng)過圖像的預(yù)處理和特征提取，最后輸出的是圖像類別。神經(jīng)網(wǎng)絡(luò)分類識別的流程圖如圖4所示。

4） 模糊集識別法

模糊集識別法在模式識別、醫(yī)學(xué)圖像識別，車牌識別等方面的應(yīng)用比較廣泛。在圖像分類時(shí)，有一些圖像的特征不是很明顯，不能準(zhǔn)確的確定圖像屬于哪一類別時(shí)，模糊集識別法能很好地解決這一問題。先模糊地對圖像進(jìn)行判別，這時(shí)圖像可能屬于兩個(gè)或多個(gè)類別，等到再找到另外的特征時(shí)再進(jìn)行精確的判別。模糊數(shù)學(xué)是模糊集識別法的理論基礎(chǔ)，模糊數(shù)學(xué)在判別事物時(shí)一般不是準(zhǔn)確的去判斷這事物到底屬于什么，而是用不太精確的方式來判別事物，用更適合人的思維方式去判別。

模糊集識別法是在模式識別方法的基礎(chǔ)上采用模糊邏輯的方法。在圖像分類時(shí)，采用模糊理論對圖像特征模糊化和模糊分類。

模糊集識別法根據(jù)一定的模糊化規(guī)則將圖像的紋理或形狀等特征分成多個(gè)模糊變量，雖然每個(gè)模糊變量不能準(zhǔn)確的判別圖像，只能判斷原圖像的一部分特征，但是這能更進(jìn)一步地判別圖像。我們用先前判別出的部分特征去替代原來的特征再進(jìn)行圖像判別，這樣我們又能精確的判別圖像類別。雖然模糊集識別法識別時(shí)圖像的特征變多了，但是卻使得判別更加，也使分類器設(shè)計(jì)趨于簡單。

5） 支持向量機(jī)

支持向量機(jī)（SVM）是一種新的人工智能學(xué)習(xí)算法，現(xiàn)在已經(jīng)成為模式識別領(lǐng)域新的研究熱點(diǎn)[3] 。支持向量機(jī)有學(xué)習(xí)效率高、抗噪聲性能強(qiáng)和推廣性好等優(yōu)點(diǎn)。支持向量機(jī)是在原先統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上，解決傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)理論不能解決的一些問題（如神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇問題，局部極小點(diǎn)問題等）而形成的一種新的學(xué)習(xí)方法。在圖像識別時(shí)，支持向量機(jī)將圖像特征向量映射到一個(gè)更高維的空間，在新的空間中重新建立一個(gè)最大圖想?yún)?shù)閾值。首先判斷圖像的大類別，在閾值的兩邊再建立重新建立新的閾值，再進(jìn)行分類，對圖像不斷判別。最后相差最大的就是圖像屬于不同類別。

6） 模板匹配法

模板匹配法是對要識別的圖像做出一個(gè)典型的標(biāo)準(zhǔn)模板，作為將要判別其他圖像的標(biāo)準(zhǔn)，然后將要分類的圖像與標(biāo)準(zhǔn)模板相比較，從而判斷出圖像屬于哪一類別。其實(shí)模版匹配法是一種比較算法，將要識別的圖像與標(biāo)準(zhǔn)模版放在一個(gè)分類器中做相關(guān)運(yùn)算，根據(jù)我們學(xué)習(xí)的相關(guān)運(yùn)算知識可以知道，如果兩個(gè)信號出現(xiàn)自相關(guān)，就表示出現(xiàn)了主峰值（即閾值），這就表示模版圖像和要識別的圖像匹配，將這個(gè)閾值作為分類器的一個(gè)判決規(guī)則，即可實(shí)現(xiàn)圖像的匹配。所以模版匹配法的首要任務(wù)就是先進(jìn)行模版的創(chuàng)建，如果創(chuàng)建的模板很正確精確，那么我們在匹配的時(shí)候也會更加的精確。endprint

模版匹配法的流程圖如圖5所示。

3 圖像分類識別算法的優(yōu)缺點(diǎn)

統(tǒng)計(jì)識別法的優(yōu)點(diǎn)是以數(shù)學(xué)上的決策理論為基礎(chǔ)的，能夠比較快的建立出統(tǒng)計(jì)識別模型。通過建立出的模型，對圖像進(jìn)行大量的統(tǒng)計(jì)分析，能夠準(zhǔn)確的判斷出圖像的類別，并且統(tǒng)計(jì)出的特征都是數(shù)字特征，對計(jì)算機(jī)的性能要求較小。缺點(diǎn)是統(tǒng)計(jì)識別法不能統(tǒng)計(jì)圖像在空間上的相互關(guān)系（即結(jié)構(gòu)關(guān)系）。如果圖像的結(jié)構(gòu)特征為主要特征時(shí)，用統(tǒng)計(jì)方法不能進(jìn)行準(zhǔn)確的判別。

結(jié)構(gòu)識別法：對統(tǒng)計(jì)識別識別方法的補(bǔ)充，統(tǒng)計(jì)識別法不能統(tǒng)計(jì)圖像的結(jié)構(gòu)信息，統(tǒng)計(jì)方法一般統(tǒng)計(jì)出來的圖像特征都是以數(shù)值表示，結(jié)構(gòu)識別法描述圖像的特征時(shí)則是用符號來表示。

神經(jīng)網(wǎng)絡(luò)法優(yōu)點(diǎn)是神經(jīng)網(wǎng)絡(luò)非線性擬合能力很好，可以映射圖像的非線性關(guān)系；而且神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力強(qiáng)，也方便計(jì)算機(jī)實(shí)現(xiàn)；神經(jīng)網(wǎng)絡(luò)還具有很強(qiáng)的非線性映射能力，記憶能力以及自我學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)法的缺點(diǎn)是不能解釋自己的推理過程和推理依據(jù)；神經(jīng)網(wǎng)絡(luò)需要大量的模板數(shù)據(jù)，并且個(gè)模板特征數(shù)據(jù)要近似相等，當(dāng)數(shù)據(jù)不充分或各類別差別很大的時(shí)候，神經(jīng)網(wǎng)絡(luò)的識別就不太準(zhǔn)確；神經(jīng)網(wǎng)絡(luò)的輸入也是圖像的數(shù)字特征，不能表示識別圖像的結(jié)構(gòu)關(guān)系，和統(tǒng)計(jì)識別法一樣，當(dāng)結(jié)構(gòu)特征為主要特征時(shí)，圖象的識別就不準(zhǔn)確。

模糊集識別法的優(yōu)點(diǎn)是模糊識別法雖表現(xiàn)為圖像的不確定分類，但是隨著更高可靠性的特征能使圖像分類越來越準(zhǔn)確；采用多級分類，能為下級分類提供分類信息。缺點(diǎn)是模糊識別不能準(zhǔn)確確定圖像的類別，如果不能找到跟準(zhǔn)確的特征，圖像的分類將不準(zhǔn)確。

支持向量機(jī)（SVM）優(yōu)點(diǎn)：1.對模板樣本要求低，如果模板數(shù)量少，得到的分類結(jié)果是在現(xiàn)有模板信息下的最優(yōu)解；2.支持向量機(jī)通過非線性變換將圖像的特征轉(zhuǎn)換到高維的特征空間，然后在高維空間構(gòu)造線性函數(shù)替代原圖像的非線性關(guān)系，更利于計(jì)算機(jī)去判別。缺點(diǎn)： SVM是通過二次規(guī)劃來求解特征向量，里面涉及到m階矩陣運(yùn)算，對計(jì)算機(jī)要求高，并且運(yùn)算時(shí)間長。

模版匹配法的優(yōu)點(diǎn)是如果模板做的比較準(zhǔn)確，匹配不正確的概率就會很小，并且模板不匹配的情況也很少。缺點(diǎn)是因?yàn)閳D像上的每一個(gè)點(diǎn)都要進(jìn)行匹配計(jì)算，對計(jì)算機(jī)配置要求高，并且對噪聲比較敏感，如果識別時(shí)有很大的噪聲，將不利于圖像的識別。

4 總結(jié)

本文深入分析了統(tǒng)計(jì)法、句法識別法、神經(jīng)網(wǎng)絡(luò)法、模糊集識別法、支持向量機(jī)法和模版匹配法等幾種主要圖像分類識別方法，并對各種分類識別方法的優(yōu)勢與缺陷做了深入的總結(jié)。通過分析各類圖像分類識別方法，明確各類識別方法的優(yōu)勢與缺陷，為圖像分類識別方法的具體應(yīng)用奠定基礎(chǔ)。

參考文獻(xiàn)：

[1] ?？?基于特征提取及神經(jīng)網(wǎng)絡(luò)的圖像分類識別與目標(biāo)跟蹤[D].西安：西安電子科技大學(xué)，2008.

[2] 趙誠.圖像識別方法與實(shí)現(xiàn)技術(shù)研究[D].西安：西安電子科技大學(xué)，2008.

[3] 翁代云，楊莉.人工智能技術(shù)在遙感圖像分類中的應(yīng)用[J].計(jì)算機(jī)仿真，2012，6（29）.endprint

模版匹配法的流程圖如圖5所示。

3 圖像分類識別算法的優(yōu)缺點(diǎn)

統(tǒng)計(jì)識別法的優(yōu)點(diǎn)是以數(shù)學(xué)上的決策理論為基礎(chǔ)的，能夠比較快的建立出統(tǒng)計(jì)識別模型。通過建立出的模型，對圖像進(jìn)行大量的統(tǒng)計(jì)分析，能夠準(zhǔn)確的判斷出圖像的類別，并且統(tǒng)計(jì)出的特征都是數(shù)字特征，對計(jì)算機(jī)的性能要求較小。缺點(diǎn)是統(tǒng)計(jì)識別法不能統(tǒng)計(jì)圖像在空間上的相互關(guān)系（即結(jié)構(gòu)關(guān)系）。如果圖像的結(jié)構(gòu)特征為主要特征時(shí)，用統(tǒng)計(jì)方法不能進(jìn)行準(zhǔn)確的判別。

結(jié)構(gòu)識別法：對統(tǒng)計(jì)識別識別方法的補(bǔ)充，統(tǒng)計(jì)識別法不能統(tǒng)計(jì)圖像的結(jié)構(gòu)信息，統(tǒng)計(jì)方法一般統(tǒng)計(jì)出來的圖像特征都是以數(shù)值表示，結(jié)構(gòu)識別法描述圖像的特征時(shí)則是用符號來表示。

神經(jīng)網(wǎng)絡(luò)法優(yōu)點(diǎn)是神經(jīng)網(wǎng)絡(luò)非線性擬合能力很好，可以映射圖像的非線性關(guān)系；而且神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力強(qiáng)，也方便計(jì)算機(jī)實(shí)現(xiàn)；神經(jīng)網(wǎng)絡(luò)還具有很強(qiáng)的非線性映射能力，記憶能力以及自我學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)法的缺點(diǎn)是不能解釋自己的推理過程和推理依據(jù)；神經(jīng)網(wǎng)絡(luò)需要大量的模板數(shù)據(jù)，并且個(gè)模板特征數(shù)據(jù)要近似相等，當(dāng)數(shù)據(jù)不充分或各類別差別很大的時(shí)候，神經(jīng)網(wǎng)絡(luò)的識別就不太準(zhǔn)確；神經(jīng)網(wǎng)絡(luò)的輸入也是圖像的數(shù)字特征，不能表示識別圖像的結(jié)構(gòu)關(guān)系，和統(tǒng)計(jì)識別法一樣，當(dāng)結(jié)構(gòu)特征為主要特征時(shí)，圖象的識別就不準(zhǔn)確。

模糊集識別法的優(yōu)點(diǎn)是模糊識別法雖表現(xiàn)為圖像的不確定分類，但是隨著更高可靠性的特征能使圖像分類越來越準(zhǔn)確；采用多級分類，能為下級分類提供分類信息。缺點(diǎn)是模糊識別不能準(zhǔn)確確定圖像的類別，如果不能找到跟準(zhǔn)確的特征，圖像的分類將不準(zhǔn)確。

支持向量機(jī)（SVM）優(yōu)點(diǎn)：1.對模板樣本要求低，如果模板數(shù)量少，得到的分類結(jié)果是在現(xiàn)有模板信息下的最優(yōu)解；2.支持向量機(jī)通過非線性變換將圖像的特征轉(zhuǎn)換到高維的特征空間，然后在高維空間構(gòu)造線性函數(shù)替代原圖像的非線性關(guān)系，更利于計(jì)算機(jī)去判別。缺點(diǎn)： SVM是通過二次規(guī)劃來求解特征向量，里面涉及到m階矩陣運(yùn)算，對計(jì)算機(jī)要求高，并且運(yùn)算時(shí)間長。

模版匹配法的優(yōu)點(diǎn)是如果模板做的比較準(zhǔn)確，匹配不正確的概率就會很小，并且模板不匹配的情況也很少。缺點(diǎn)是因?yàn)閳D像上的每一個(gè)點(diǎn)都要進(jìn)行匹配計(jì)算，對計(jì)算機(jī)配置要求高，并且對噪聲比較敏感，如果識別時(shí)有很大的噪聲，將不利于圖像的識別。

4 總結(jié)

本文深入分析了統(tǒng)計(jì)法、句法識別法、神經(jīng)網(wǎng)絡(luò)法、模糊集識別法、支持向量機(jī)法和模版匹配法等幾種主要圖像分類識別方法，并對各種分類識別方法的優(yōu)勢與缺陷做了深入的總結(jié)。通過分析各類圖像分類識別方法，明確各類識別方法的優(yōu)勢與缺陷，為圖像分類識別方法的具體應(yīng)用奠定基礎(chǔ)。

參考文獻(xiàn)：

[1] ?？?基于特征提取及神經(jīng)網(wǎng)絡(luò)的圖像分類識別與目標(biāo)跟蹤[D].西安：西安電子科技大學(xué)，2008.

[2] 趙誠.圖像識別方法與實(shí)現(xiàn)技術(shù)研究[D].西安：西安電子科技大學(xué)，2008.

[3] 翁代云，楊莉.人工智能技術(shù)在遙感圖像分類中的應(yīng)用[J].計(jì)算機(jī)仿真，2012，6（29）.endprint

模版匹配法的流程圖如圖5所示。

3 圖像分類識別算法的優(yōu)缺點(diǎn)

統(tǒng)計(jì)識別法的優(yōu)點(diǎn)是以數(shù)學(xué)上的決策理論為基礎(chǔ)的，能夠比較快的建立出統(tǒng)計(jì)識別模型。通過建立出的模型，對圖像進(jìn)行大量的統(tǒng)計(jì)分析，能夠準(zhǔn)確的判斷出圖像的類別，并且統(tǒng)計(jì)出的特征都是數(shù)字特征，對計(jì)算機(jī)的性能要求較小。缺點(diǎn)是統(tǒng)計(jì)識別法不能統(tǒng)計(jì)圖像在空間上的相互關(guān)系（即結(jié)構(gòu)關(guān)系）。如果圖像的結(jié)構(gòu)特征為主要特征時(shí)，用統(tǒng)計(jì)方法不能進(jìn)行準(zhǔn)確的判別。

結(jié)構(gòu)識別法：對統(tǒng)計(jì)識別識別方法的補(bǔ)充，統(tǒng)計(jì)識別法不能統(tǒng)計(jì)圖像的結(jié)構(gòu)信息，統(tǒng)計(jì)方法一般統(tǒng)計(jì)出來的圖像特征都是以數(shù)值表示，結(jié)構(gòu)識別法描述圖像的特征時(shí)則是用符號來表示。

神經(jīng)網(wǎng)絡(luò)法優(yōu)點(diǎn)是神經(jīng)網(wǎng)絡(luò)非線性擬合能力很好，可以映射圖像的非線性關(guān)系；而且神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力強(qiáng)，也方便計(jì)算機(jī)實(shí)現(xiàn)；神經(jīng)網(wǎng)絡(luò)還具有很強(qiáng)的非線性映射能力，記憶能力以及自我學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)法的缺點(diǎn)是不能解釋自己的推理過程和推理依據(jù)；神經(jīng)網(wǎng)絡(luò)需要大量的模板數(shù)據(jù)，并且個(gè)模板特征數(shù)據(jù)要近似相等，當(dāng)數(shù)據(jù)不充分或各類別差別很大的時(shí)候，神經(jīng)網(wǎng)絡(luò)的識別就不太準(zhǔn)確；神經(jīng)網(wǎng)絡(luò)的輸入也是圖像的數(shù)字特征，不能表示識別圖像的結(jié)構(gòu)關(guān)系，和統(tǒng)計(jì)識別法一樣，當(dāng)結(jié)構(gòu)特征為主要特征時(shí)，圖象的識別就不準(zhǔn)確。

模糊集識別法的優(yōu)點(diǎn)是模糊識別法雖表現(xiàn)為圖像的不確定分類，但是隨著更高可靠性的特征能使圖像分類越來越準(zhǔn)確；采用多級分類，能為下級分類提供分類信息。缺點(diǎn)是模糊識別不能準(zhǔn)確確定圖像的類別，如果不能找到跟準(zhǔn)確的特征，圖像的分類將不準(zhǔn)確。

支持向量機(jī)（SVM）優(yōu)點(diǎn)：1.對模板樣本要求低，如果模板數(shù)量少，得到的分類結(jié)果是在現(xiàn)有模板信息下的最優(yōu)解；2.支持向量機(jī)通過非線性變換將圖像的特征轉(zhuǎn)換到高維的特征空間，然后在高維空間構(gòu)造線性函數(shù)替代原圖像的非線性關(guān)系，更利于計(jì)算機(jī)去判別。缺點(diǎn)： SVM是通過二次規(guī)劃來求解特征向量，里面涉及到m階矩陣運(yùn)算，對計(jì)算機(jī)要求高，并且運(yùn)算時(shí)間長。

模版匹配法的優(yōu)點(diǎn)是如果模板做的比較準(zhǔn)確，匹配不正確的概率就會很小，并且模板不匹配的情況也很少。缺點(diǎn)是因?yàn)閳D像上的每一個(gè)點(diǎn)都要進(jìn)行匹配計(jì)算，對計(jì)算機(jī)配置要求高，并且對噪聲比較敏感，如果識別時(shí)有很大的噪聲，將不利于圖像的識別。

4 總結(jié)

本文深入分析了統(tǒng)計(jì)法、句法識別法、神經(jīng)網(wǎng)絡(luò)法、模糊集識別法、支持向量機(jī)法和模版匹配法等幾種主要圖像分類識別方法，并對各種分類識別方法的優(yōu)勢與缺陷做了深入的總結(jié)。通過分析各類圖像分類識別方法，明確各類識別方法的優(yōu)勢與缺陷，為圖像分類識別方法的具體應(yīng)用奠定基礎(chǔ)。

參考文獻(xiàn)：

[1] ?？?基于特征提取及神經(jīng)網(wǎng)絡(luò)的圖像分類識別與目標(biāo)跟蹤[D].西安：西安電子科技大學(xué)，2008.

[2] 趙誠.圖像識別方法與實(shí)現(xiàn)技術(shù)研究[D].西安：西安電子科技大學(xué)，2008.

[3] 翁代云，楊莉.人工智能技術(shù)在遙感圖像分類中的應(yīng)用[J].計(jì)算機(jī)仿真，2012，6（29）.endprint