图像识别的关键技术与展望

图像识别的关键技术与展望

报告人：单革地点：华中师范大学随着计算机技术的飞速发展，图像采集仪的出现以及高可靠算法的实现，使得图像识别技术应用越来越广泛，产品化程度越来越高，成像系统也越来越成熟。

1 图像识别系统概述

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。其中背景分离是将图像区与背景分离，从而避免在没有有效信息的区域进行特征提取，加速后续处理的速度，提高图像特征提取和匹配的精度；图像增强的目的是改善图像质量，恢复其原来的结构；图像的二值化是将图像从灰度图像转换为二值图像；图像细化是把清晰但不均匀的二值图像转化成线宽仅为一个像素的点线图像。

（3）特征提取

特征提取负责把能够充分表示该图像唯一性的特征用数值的形式表达出来。尽量保留真实特征，滤除虚假特征。

（4）图像分类

在图像系统中，输入的图像要与数十上百甚至上千个图像进行匹配，为了减少搜索时间、降低计算的复杂度，需要将图像以一种精确一致的方法分配到不同的图像库中。

（5）图像匹配

图像匹配是在图像预处理和特征提取的基础上，将当前输入的测试图像特征与事先保存的模板图像特征进行比对，通过它们之间的相似程度，判断这两幅图像是否一致。本文将从图像预处理、特征提取、图像分类及特征匹配这几个方面来讨论自动图像识别技术的研究现状和一些不足之处。

2 图像的预处理

预处理是图像自动识别系统中非常重要的一步，它的好坏直接影响图像识别的效果。预处理的目的是去除图像中的噪声，把它变成一幅清晰的点线图，以便于提取正确的图像特征。

2. 1 方向图的计算

方向图因具有真实性且能以简化的形式直观地反映图像最基本的形态特征，

因此广泛应用于图像增强、图像特征的提取、图像的自动分类、方向模版匹配等图像识别的关键处理环节。提取方向图的方法为：

2. 2 图像分割

传统的图像分割方法包括灰度方差法分割和局部灰度差法等, 但是这两种方法对于太湿或太干的图像分割效果往往不准确。也有利用图像具有较强的方向性的方向图分割法，但基于方向图的分割效果依赖于所求图像的方向图的可靠性，而对图像对比度的高低并不敏感，对于单一灰度的区域，方向图分割难以取得令人满意的效果。近几年也有学者提出了基于D-S 证据理论的图像分割方法。所谓三级分割是指：第一级分割出背景区域；第二级从前景中分割出模糊区域；第三级从模糊区域分割出不可恢复部分。经过这样的处理不仅节省了运算时间，而且提高了分割的可靠性。

2. 3 图像的增强

目前用的较为广泛的是基于Gabor 滤波的增强方法和基于傅里叶滤波的低质量图像增强算法。Gabor 滤波增强的基本出发点是基于图像的数学模型. 该方法综合考虑到了图像的方向特性和频率特性。虽然本方法的滤波效果比较好，但是Gabor 滤波过程中频率计算和滤波计算所消耗的时间在整个图像的预处理过程中所占用的时间比重较大。

2. 4 二值化和细化

根据图像的灰度分布，统计其最佳的阈值是二值化算法研究的核心。传统的二值化算法有静态算法和动态算法。动态算法比静态算法有着较好的效果，静态算法对质量差的图像区域产生大量的伪特征点，动态算法能够在一定程度上弥补静态算法的缺陷，但这样也会引入更多的噪声。在图像二值化方面，近来又出现了一些新的方法，如一种基于方向图的动态阈值图像二值化方法。该方法直接从图像灰度图像中获取动态阈值对图像二值化，一次性完成一般图像预处理中的分离无效区域、滤波、增强、二值化的过程。对细化问题，国内外已提出多种细化算法，各有特点和不足，其中较具代表性的有以下几种细化算法：经典快速细化算法、R. W. Hal l 细化算法、Rosenfeld 细化算法、及Zhang&Suen 细化算法等。目前使用较多的图像细化算法有两种：基于形态学处理的快速细化算法和OPTA算法及其改进形式。快速细化算法为4 连通并行细化算法, 原理是判断出图像纹线的边界点并逐步删除。该算法速度很快, 但细化不彻底, 细化后的纹线不是单像素宽。

总之，图像识别极富挑战性，仅仅采用一种现有方法难以取得良好的识别效果，如何提高识别率和识别速度、减少计算量、提高鲁棒性、如何实用化都是值得研究的。