圖像識別的技術(shù)現(xiàn)狀和發(fā)展趨勢

摘要:該文描述了圖像識別技術(shù)的國內(nèi)外研究現(xiàn)狀，介紹了圖像識別過程的相關(guān)基本工作，并探討了圖像識別的關(guān)鍵步驟，包括圖象分割、圖像特征提取和分類和圖像的匹配，分析和比較了各種算法的優(yōu)缺點(diǎn)，并討論了其中的關(guān)鍵技術(shù)及計算機(jī)圖像識別新技術(shù)。

關(guān)鍵詞:圖像識別;圖象分割;特征提取;匹配

中圖分類號:TP391文獻(xiàn)標(biāo)識碼:A文章編號:1009-3044(2010)21-6045-02

Current Situation and Perspective of Image Recognition Technology

ZHANG Jia-yi

(Antenna Department of 54th Institute of CETC， Shijiazhuang 050081， China)

Abstract: This paper introduces the current image recognition research in China and abroad， and basic relative work in image recognition.Then this paper describes the crucial steps of image recognition including image segmentation， feature extraction， classifying and matching. Finally， the advantages and disadvantages of various a1gorithms are compared and the key new technology is introduced.

Key words: image recognition; image segmentation; pre-processing; feature extraction; matching

1 圖像識別技術(shù)范疇

圖像識別技術(shù)的研究目標(biāo)是根據(jù)觀測到的圖像，對其中的物體分辨其類別，做出有意義的判斷。即利用現(xiàn)代信息處理與計算技術(shù)來模擬和完成人類的認(rèn)識，理解過程。一般而言，一個圖像識別系統(tǒng)主要由三個部分組成，如圖1所示，分別是圖像分割，圖像特征提取以及分類器的識別分類。

其中，圖像分割將圖像劃分為多個有意義的區(qū)域，然后將每個區(qū)域的圖像進(jìn)行特征提取，最后分類器根據(jù)提取的圖像特征對圖像進(jìn)行相應(yīng)的分類。實際上，圖像識別和圖像分割并不存在嚴(yán)格的界限。從某種意義上，圖像分割的過程就是圖像識別的過程。圖像分割著重于對象和背景的關(guān)系，研究的是對象在特定背景下所表現(xiàn)出來的整體屬性，而圖像識別則著重于對象本身的屬性。圖像分割以及識別技術(shù)在航空航天、醫(yī)學(xué)、通信。、工業(yè)自動化、機(jī)器人、及軍事等領(lǐng)域均有著廣泛的應(yīng)用。

2 圖像識別的國內(nèi)外研究現(xiàn)狀

圖像的識別與分割是圖像處理領(lǐng)域研究最多的課題之一，但它們依然是眾多研究人員的研究重心， 因為己經(jīng)取得的成果遠(yuǎn)沒有待解決的問題多。

圖像識別的發(fā)展經(jīng)歷了三個階段:文字識別、數(shù)字圖像處理與識別、物體識別。文字識別的研究是從1950年開始的，一般是識別字母、數(shù)字和符號，從印刷文字識別到手寫文字識別，應(yīng)用非常廣泛，并且已經(jīng)研制了許多專用設(shè)各。數(shù)字圖像處理和識別的研究開始于1965年。數(shù)字圖像與模擬圖像相比具有存儲，傳輸方便可壓縮、傳輸過程中不易失真、處理方便等巨大優(yōu)勢，這些都為圖像識別技術(shù)的發(fā)展提供了強(qiáng)大的動力。物體的識別主要指的是對三維世界的客體及環(huán)境的感知和認(rèn)識，屬于高級的計算機(jī)視覺范疇。它是以數(shù)字圖像處理與識別為基礎(chǔ)的結(jié)合人工智能、系統(tǒng)學(xué)等學(xué)科的研究方向，其研究成果被廣泛應(yīng)用在各種工業(yè)及探測機(jī)器人上。現(xiàn)代圖像識別技術(shù)的一個不足就是自適應(yīng)性能差，一旦目標(biāo)圖像被較強(qiáng)的噪聲污染或是目標(biāo)圖像有較大殘缺往往就得不出理想的結(jié)果。

圖像識別問題的數(shù)學(xué)本質(zhì)屬于模式空間到類別空間的映射問題。目前，在圖像識別的發(fā)展中，主要有三種識別方法:統(tǒng)計模式識別、結(jié)構(gòu)模式識別、模糊模式識別。圖像分割是圖像處理中的一項關(guān)鍵技術(shù)，自20世紀(jì)70年代，其研究已經(jīng)有幾十年的歷史，一直都受到人們的高度重視，至今借助于各種理論提出了數(shù)以千計的分割算法，而且這方面的研究仍然在積極地進(jìn)行著。

現(xiàn)有的圖像分割的方法有許多種，有閾值分割方法，邊緣檢測方法，區(qū)域提取方法，結(jié)合特定理論工具的分割方法等。從圖像的類型來分有:灰度圖像分割、彩色圖像分割和紋理圖像分割等。早在1965年就有人提出了檢測邊緣算子，使得邊緣檢測產(chǎn)生了不少經(jīng)典算法。但在近二十年間，隨著基于直方圖和小波變換的圖像分割方法的研究計算技術(shù)、VLSI技術(shù)的迅速發(fā)展，有關(guān)圖像處理方面的研究取得了很大的進(jìn)展。圖像分割方法結(jié)合了一些特定理論、方法和工具，如基于數(shù)學(xué)形態(tài)學(xué)的圖像分割、基于小波變換的分割、基于遺傳算法的分割等[1]。

3 圖像識別的關(guān)鍵步驟

3.1 圖象分割

圖像作為一個整體，有豐富的內(nèi)容和色彩，我們所需要的目標(biāo)和背景與整幅網(wǎng)像融為一體，不利于進(jìn)行圖像處理，因此，先將圖象劃分成若干個與物體目標(biāo)相對應(yīng)的區(qū)域，根據(jù)目標(biāo)和背景的先驗知識.對圖像中的目標(biāo)與背景進(jìn)行標(biāo)識、定位，將目標(biāo)從背景或其他偽目標(biāo)中分離出來，這種療法稱為圖象分割。

圖象分割而成的區(qū)域所包含的信息包括了分區(qū)分割和對各分區(qū)的描述，利用這些區(qū)域中所包含的部分特征，例如灰度差別、局部紋理差別、彩色差別、局部統(tǒng)汁特征或局部區(qū)域的頻譜特征的差別等，可以用來區(qū)分整幅圖象種不同的目標(biāo)物體，這些區(qū)域稱為感興趣區(qū)。因為我們是利用圖象信息中的部分特征去進(jìn)行區(qū)域分割，所以這樣的分割方法并不具有通用性。

3.2 三種分割法

1)基于閾值的分割

這是一種最常用的區(qū)域分割技術(shù)，閾值是用于區(qū)分不同目標(biāo)的灰度值。在圖象只有目標(biāo)和背景的情況下，只需選取單閾值分割，將圖像每個象素的灰度值和閾值比較，灰度值大于閾值的象素和灰度值小于閩值的象素分別歸類。

2)基于區(qū)域的分割

有兩種基本形式:區(qū)域生長和分裂合并。前者是從單象素出發(fā)，逐漸合并以形成所需的分割結(jié)果。后者是從整個圖象出發(fā)，逐漸分裂或合并以形成所需要的分割結(jié)果。與閾值方法不同，這類方法不但考慮了象素的相似性，還考慮了空間上的鄰接性，因此可以有效地消除孤立噪聲的干擾，具有很強(qiáng)的魯棒性。

3)基于邊緣的分割

是利用不同區(qū)域中象素灰度不連續(xù)的特點(diǎn)檢測出區(qū)域間的邊緣，從而實現(xiàn)圖象分割。邊界的象素灰度值變化往往比較劇烈 首先檢測圖象中的邊緣點(diǎn)，在按一定策略連接成輪廓，從而構(gòu)成分割區(qū)域[4]。

3.3 圖像特征提取和分類

直接從圖像原始灰度圖提取特征，效率高，但容易提取出大量的偽特征信息。基于全局結(jié)構(gòu)特征的分類方法，通過提取和分析方向圖、奇異點(diǎn)等全局結(jié)構(gòu)特征來實現(xiàn)分類。采用模仿人類進(jìn)行圖像分類的做法，對圖像的變形有較強(qiáng)的魯棒性;但圖像質(zhì)量較差時很難提取可靠的結(jié)構(gòu)特征[5]。

目前主流的特征提取和分類算法是基于局部細(xì)節(jié)特征的算法。局部細(xì)節(jié)特征提取的算法如下:

利用一個3×3的模版來對細(xì)化后的圖像進(jìn)行端點(diǎn)和分歧點(diǎn)的特征提取，如圖2所示，M是待檢測的點(diǎn)，沿順時針排列的P1，P2，P3，...，P8是它的8個鄰域點(diǎn)，R(1)，R(2)，R(3...，R(8)分別是P1，P2，P3，...，P8的灰度值。如果M是端點(diǎn)，則它的鄰域點(diǎn)滿足式:

如果M 分支點(diǎn)，則它的鄰域點(diǎn)滿足如下等式:

通過對圖像進(jìn)行遍歷。可以找到圖像的特征點(diǎn)，同時記錄它們的類型和位置。

3.4 圖像的匹配

在圖像匹配方面，很多學(xué)者進(jìn)行了研究工作，但目前最常用的方法是細(xì)節(jié)匹配。細(xì)節(jié)點(diǎn)模式中細(xì)節(jié)點(diǎn)特征向量集合和輸入細(xì)節(jié)點(diǎn)模式中細(xì)節(jié)點(diǎn)特征向量集合可分別表示為:

其中模板細(xì)節(jié)點(diǎn)特征集合P包括M個細(xì)節(jié)點(diǎn)，輸入細(xì)節(jié)點(diǎn)特征集合Q包括N個細(xì)節(jié)點(diǎn)。在以上表示方法的基礎(chǔ)上，細(xì)節(jié)點(diǎn)匹配問題表述為:搜索P和Q中點(diǎn)之間的最佳對應(yīng)關(guān)系，根據(jù)在此對應(yīng)關(guān)系下相對應(yīng)細(xì)節(jié)點(diǎn)的數(shù)目得到匹配分值Ms，并與閾值T比較，如果MS>T，則兩個細(xì)節(jié)點(diǎn)模式匹配，如果gS

4 計算機(jī)圖像識別新技術(shù)

以色列魏茲曼研究院計算機(jī)科學(xué)家艾坦.沙龍博士正在與美國馬薩諸塞綜合醫(yī)院的梅拉夫.格倫博士合作開發(fā)一種通過分級比較提高計算機(jī)識別物體的新方法。他們計劃進(jìn)一步研究并拓展這項技術(shù)的應(yīng)用范圍，使其成為多學(xué)科的醫(yī)學(xué)診斷助手。

參考文獻(xiàn):

[1] 章毓晉.圖像處理和分析基礎(chǔ)[M].北京:高等教育出版社，2002.

[2] 章毓晉.圖像分割[M].北京:科學(xué)出版社.2001.

[3] 崔屹.圖像處理與分析一數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用[M].北京:科學(xué)出版社，2000.

[4] 楊小冬，寧新寶.自動圖像識別系統(tǒng)圖像分割算法的研究[J].南京大學(xué)學(xué)報，2004，40(4):424-431.

[5] 唐良瑞，謝曉輝.基于D-s證據(jù)理論的圖像圖像分割方法[J].計算機(jī)學(xué)報，2003，26(7):887-892.

[6] 李建華，馬小妹.基于方向圖的動態(tài)闋值圖像圖像二值化方法[J].大連理工大學(xué)學(xué)報2002，42(5):626-628.

注:本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文