計算機智能圖像識別算法淺析

曾長雄

（岳陽職業(yè)技術(shù)學(xué)院信息工程學(xué)院，岳陽 湖南 414000）

0 引言

智能圖像識別主要是使用計算機信息系統(tǒng)，做好圖像的處理、分析及理解工作。目前，在此階段圖像識別主要使用在工業(yè)層面，通過計算機軟件對于設(shè)備捕捉的圖像進(jìn)行識別處理。與此同時，還可通過智能圖像對遙感內(nèi)容進(jìn)行分類處理。這樣，不管識別對象發(fā)出怎樣的變化，計算機智能圖像識別技術(shù)，都能抓住識別對象的本質(zhì)特點，進(jìn)行有效的識別。

1 計算機智能圖像識別算法發(fā)展歷程

目前，在進(jìn)行計算機智能圖像識別技術(shù)探究過程中，它從傳統(tǒng)的文字識別，一直演變成現(xiàn)階段的數(shù)字圖像識別，歷經(jīng)幾十年的發(fā)展。文字識別主要起源于20 世紀(jì)50 年代，不僅包括數(shù)字、字母，還包括符號的識別，它的起源主要是從印刷文字識別，它的智能圖像識別技術(shù)主要是從印刷文字識別一直發(fā)展到手寫文字識別和模擬圖像。通常情況下，它能對大量的數(shù)字圖像進(jìn)行壓縮和儲存，在傳遞過程中也不會出現(xiàn)失真現(xiàn)象，但是，為了充分發(fā)揮計算機智能圖像識別技術(shù)的優(yōu)勢，需要融合人工智能技術(shù)。在圖像識別過程中，需要從眾多信息中篩選有用信息，做好信息的處理，根據(jù)信息的特征進(jìn)行提取。對于所有的存儲圖像來說，計算機智能圖像識別技術(shù)，能夠?qū)⒉煌愋偷男畔⑦M(jìn)行融合，推動整個過程更加的方便快捷。與此同時，它還能夠?qū)崿F(xiàn)圖像的有效壓縮，然后將其進(jìn)行整合，做好圖像分類處理工作，使得整個計算機智能圖像識別系統(tǒng)更加穩(wěn)定，能夠降低識別運作存在的誤差，全面提高計算機信息系統(tǒng)的管理能力。這時，需要對計算機智能圖像識別算法進(jìn)行研究，這能有效地解決系統(tǒng)出現(xiàn)的崩潰問題，在某種程度上來說，計算機幾乎所有的操作都是通過人工完成的，近年來隨著科學(xué)，信息技術(shù)快速發(fā)展，計算機也取得突飛猛進(jìn)的進(jìn)步，這時，程序員只需要在特定的程序中，對計算機的功能進(jìn)行設(shè)定，當(dāng)計算機開始作業(yè)以后，相關(guān)的操作人員需要展開操縱。發(fā)揮計算機智能圖像識別技術(shù)的作用，存儲在系統(tǒng)上的圖像信息，通過人為操作和檢驗，能有效解決實際操作存在的識別不全面問題。因此，在進(jìn)行計算機智能圖像識別技術(shù)研究過程中，應(yīng)該采取有效的方式提高智能圖像識別的可靠性和穩(wěn)定性[1]。

2 計算機智能圖像識別的算法分析

2.1 Hu 不變矩算法

計算機智能圖像識別算法的本質(zhì)就是它能在瞬息萬變的圖像形態(tài)變化中，抓到圖像的內(nèi)在特征，進(jìn)而對圖像進(jìn)行有效識別，在圖像識別過程中，為了確保圖像的不變性，需要對不同的目標(biāo)對象進(jìn)行識別。目前，在圖像識別過程中，常見的算法有Hu 不變矩算法、DS 證據(jù)推理等等。Hu 不變矩算法是最早出現(xiàn)的智能圖像識別算法之一，起源于20 世紀(jì)60 年代初期，它是以圖像中的低階歸一化中心距非線性組合為主，形成了七個變量值。

對于數(shù)字圖像，離散狀態(tài)下，對于灰度分布為f(x，y)的圖像，f(x，y)的（p+q）階普通矩定義：

與此同時，需要對(p+q)階中心矩進(jìn)行定義：

這時，質(zhì)心坐標(biāo)為（x0，y0）：

其中x0=m10/m00，y0=m01/m00，x0表示圖像灰度在水平方向上的灰度質(zhì)心，y0表示圖像灰度在垂直方向上的灰度質(zhì)心。

（p+q）階歸一化中心矩定義：yp q=μp q/μr00，其中，r=（p+q+2）/2，p+q=2，3，…L。

在某種程度上，Hu 不變矩算法主要是以圖像的二階中心和三階中心理論為依據(jù)，以低階歸一化中心矩的非線性組合構(gòu)造七個不變矩（M1—M7），該7 個不變矩構(gòu)成一組高度濃縮的圖像特征量，在連續(xù)圖像下具有平移、灰度、尺度、旋轉(zhuǎn)不變性。當(dāng)圖片進(jìn)行連續(xù)的平移、縮放操作時，它們的特征會保持不變[2]。

Hu 不變矩算法優(yōu)劣分析：在對圖像中物體的識別過程中，只有M1 和M2 不變性保持較好，其他幾個不變矩誤差較大。

Hu 不變矩使其在圖像識別的過程中，能減少待測圖像的大小歸一化與位置居中等預(yù)處理步驟，降低運算成本，提高運算速率，同時圖像識別準(zhǔn)確率高[3]。

Hu 不變矩一般用來識別圖像中大的物體，對于物體的形狀描述得比較好，圖像的紋理特征不能太復(fù)雜，像識別水果的形狀，或者對于車牌中的簡單字符的識別效果會相對好一些。

2.2 D-S 證據(jù)推理

在計算機智能圖像識別過程中，為了實現(xiàn)多源信息處理，需要使用數(shù)據(jù)融合技術(shù)D-S 證據(jù)推理。主要是依托非空集合建立的，其中的幾何也稱之為辨別框架，通過框架對構(gòu)成的假想空間元素及進(jìn)行分析，做好信任指派函數(shù)及總信任度定義：

綜上，可以通過相關(guān)的組合規(guī)則得到兩個或者兩個以上的置信函數(shù)[4]。

將D-S 證據(jù)推理引入圖像識別中，通過灰度-相位共生矩陣法及灰度-梯度共生矩陣法得到圖像紋理特征參數(shù)并進(jìn)行D-S 信息融合，能較好包含圖像紋理信息，并能補充圖像單組特征參數(shù)識別的不足，圖像識別的準(zhǔn)確率提高，不確定性可降低[5-6]。

3 計算機智能圖像識別算法技術(shù)應(yīng)用

3.1 計算機智能圖像識別系統(tǒng)

計算機智能圖像識別系統(tǒng)主要包括以下幾個方面的內(nèi)容：圖像壓縮處理、圖像預(yù)處理、特征識別、以及提起系統(tǒng)。預(yù)處理過程主要是為了提高圖像的識別性能，需要做好二值化、平滑去噪、以及灰度處理。圖像壓縮過程是為了方便圖像傳輸保存，在確保圖像可識別的前提之下，使用壓縮代碼將圖片中無用信息進(jìn)行刪除。一般情況下，壓縮代碼的種類多種多樣，這時需要根據(jù)圖像處理的實際情況，選擇合適的壓縮處理器。圖像特征提取識別過程要嚴(yán)格的控制圖像的顏色、形狀、紋理、特征等等。計算機智能圖像識別系統(tǒng)，它是人工智能的重要研究方向，它為圖像有機識別提供有效的依據(jù)。在進(jìn)行圖像識別時需要在計算機信息系統(tǒng)中輸入可識別的圖像，然后通過計算機信息系統(tǒng)進(jìn)行圖像的匹配，按照圖像的特點進(jìn)行分類。在具體的識別過程中，需要將預(yù)處理環(huán)節(jié)作為圖像的輸入點，它也是圖像處理的鍵環(huán)節(jié)。將采集到的信息輸入到計算機信息系統(tǒng)中，這時需要做好圖像背景的分離工作。通過二值化對圖像進(jìn)行整體細(xì)化，保證系統(tǒng)后期處理的效率。在最大范圍內(nèi)，提升圖像處理的準(zhǔn)確性[7-8]。

3.2 計算機智能圖像識別技術(shù)應(yīng)用的優(yōu)勢

首先，計算機智能圖像識別系統(tǒng)他的信息量較大，通過計算機信息系統(tǒng)處理之后，能夠得到相關(guān)的二維信息，隨著二維信息的不斷增多，會導(dǎo)致計算機運行性能下降，這樣會降低圖像識別度。其次，圖像識別系統(tǒng)準(zhǔn)確度高，和傳統(tǒng)的圖像處理技術(shù)相比，計算機智能圖像識別技術(shù)能對模擬圖像進(jìn)行數(shù)字轉(zhuǎn)換。一般情況下，像素基本都是低于32 位，如果超過32 位，不能對模擬圖像進(jìn)行有效處理，智能圖像識別技術(shù)，能夠做好圖像信息關(guān)系的有機處理，全面提高存儲數(shù)據(jù)的完整性，從而得到高精準(zhǔn)度的圖像，滿足不同用戶的使用需求。最重要的一點，使用智能圖像識別技術(shù)，還能夠?qū)υ瓐D像進(jìn)行還原處理。最后，它的關(guān)聯(lián)性較強，計算機信息系統(tǒng)在運作過程中，主要是通過智能化進(jìn)行識別的，能夠?qū)Σ煌膱D像進(jìn)行分析。與此同時，還需要考慮到圖像的壓縮成本，在為了獲取和圖像相關(guān)的信息，做好圖像特點的具體分類工作，尤其是在3D 圖像輸入時，可能無法得到三維幾何圖像，這時需要對原圖像進(jìn)行重新測量。然而，使用智能圖像識別技術(shù)，能有效地對3D 景物進(jìn)行還原。此外，它的靈活性較高，智能圖像識別在圖像處理過程中，能夠?qū)δ繕?biāo)圖像進(jìn)行放大，例如細(xì)胞圖、天體圖等等，可以通過數(shù)學(xué)的線性和非線性組合，全面提高信息的完整性，進(jìn)而提高圖像的清晰度[9]。

3.3 計算機智能圖像識別技術(shù)的識別過程

為了充分發(fā)揮計算機智能圖像識別算法技術(shù)的優(yōu)勢，需要做好如下幾個方面的歸納。首先，需要進(jìn)行數(shù)據(jù)的采集和預(yù)處理。通常情況下，在具體的圖像識別過程中，不僅要考慮到外在因素，而且還需要考慮到圖像本身的特點，對識別產(chǎn)生的影響。在圖像的具體輸入過程中，要確保提高獲取信息的準(zhǔn)確性。在進(jìn)行圖像識別之前，需要進(jìn)行圖像的預(yù)處理操作，這是最主要的步驟，能夠全面提高識別的可靠性。其次，邊緣提取。和圖像識別而言，圖像邊緣是有亮度、顏色，在某個方向上進(jìn)行變化組合形成的，圖像識別可以參考邊緣提取，因此最常使用的方式是空間梯度法、小波變換法等等，以上幾種方法都有自己的優(yōu)點和缺點。例如，空間梯度法在使用過程中，它的速度快，然而在提取過程中會受到其他外界因素的干擾，提取結(jié)果并不理想。小波變換法在進(jìn)行圖像數(shù)據(jù)提取過程中效果較好，然而它的速度過慢。因此，在對智能圖像識別技術(shù)具體分析時，要確保提取速度，還要考慮到提取的結(jié)果。最后，需要進(jìn)行區(qū)域分割。在圖像基本識別過程中要考慮到顏色、灰度等等，這是進(jìn)行圖像識別的前提，在對目標(biāo)區(qū)域進(jìn)行整體分割時，可以使用直接分割、間接分割、擴充法等等，充分發(fā)揮分割的作用，結(jié)合實際情況進(jìn)行選擇。與此同時，還需要進(jìn)行目標(biāo)定位。在進(jìn)行目標(biāo)定位過程中，它能對數(shù)據(jù)信息進(jìn)行采集，在具體的圖像定位過程中需要進(jìn)行圈定。在定位完成之后，考慮到目標(biāo)背景對定位產(chǎn)生的影響，因為背景的復(fù)雜度越高，定位的準(zhǔn)確率也就越低，所以在進(jìn)行定位時，要考慮到邊緣構(gòu)建、顏色特點紋、理特征等等[10]。

4 結(jié)語

計算機智能圖像識別技術(shù)憑借著自身較大的內(nèi)存空間，被廣泛使用在各個領(lǐng)域。與相同配置規(guī)格運行系統(tǒng)的計算機相比，它具有較大的信息儲量，這為圖像特征系統(tǒng)存儲提供了有利的條件。除此之外，在計算機圖像識別過程中還可以選取特定的圖像，能有效地提升識別速率。