版权声明：本文为博主原创文章，遵照 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wcl0617/article/details/79034683
图像辨认过程分为图像处理和图像辨认两个部分。
图像处理(imageProcessing)应用计算机对图像停止分析,以达到所需的结果。
图像处理可分为模拟图像处理和数字图像处理,而图像处理普通指数字图像处理。
这种处理大多数是依赖于软件完成的。
其目的是去除干扰、噪声,将原始图像编程适于计算机停止特征提取的方式,次要包括图像采样、图像加强、图像复原、图像编码与紧缩和图像分割。
1)图像采集
图像采集是数字图像数据提取的次要方式。数字图像次要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像,也包括一些动态图像,并可以将其转为数字图像,和文字、图形、声响一同存储在计算机内,显示在计算机的屏幕上。图像的提取是将一个图像变换为合适计算机处理的方式的第一步。
2)图像加强
图像在成像、采集、传输、复制等过程中图像的质量或多或少会形成一定的退步,数字化后的图像视觉效果不是非常称心。为了突出图像中感兴味的部分,使图像的主体结构愈加明白,必须对图像停止改善,即图像加强。经过图像加强,以减少图像中的图像的噪声,改变原来图像的亮度、颜色分布、对比度等参数。图像加强提高了图像的明晰度、图像的质量,使图像中的物体的轮廓愈加明晰,细节愈加分明。图像加强不思索图像降质的缘由,加强后的图像愈加赏欣顺眼,为后期的图像分析和图像了解奠定基础。
3)图像复原
图像复原也称图像恢复,由于在获取图像时环境噪声的影响、运动形成的图像模糊、光线的强弱等缘由使得图像模糊,为了提取比较明晰的图像需求对图像停止恢复,图像恢复次要采用滤波方法,从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建,该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与紧缩
数字图像的分明特点是数据量庞大,需求占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法停止数据图像的处理、存储、传输。为了能疾速方便地在网络环境下传输图像或视频,那么必须对图像停止编码和紧缩。目前,图像紧缩编码已构成国际标准,如比较著名的静态图像紧缩标准JPEG,该标准次要针对图像的分辨率、彩色图像和灰度图像,适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有严密相关的静态图像的工夫序列,因此动态视频的单帧图像紧缩可以运用静态图像的紧缩标准。图像编码紧缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、延长处理工夫。
5)图像分割技术
图像分割是把图像分成一些互不堆叠而又具有各自特征的子区域,每一区域是像素的一个延续集,这里的特性可以是图像的颜色、外形、灰度和纹理等。图像分割根据目的与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目的、背景停止标记、定位,然后把目的从背景中分离出来。目前,图像分割的方法次要有基于区域特征的分割方法、基于相关婚配的分割方法和基于边界特征的分割方法。由于采集图像时会遭到各种条件的影响会是图像变的模糊、噪声干扰,使得图像分割是会遇到困难。在实践的图像中需根据景物条件的不同选择合适的图像分割方法。图像分割为进一步的图像辨认、分析和了解奠定了基础。
图像辨认将图像处理得到的图像停止特征提取和分类。辨认方法中基本的也是常用的方法有统计法(或决策实际法)、句法(或结构)方法、神经网络法、模板婚配法和几何变换法。
1)统计法(StatisticMethod)
该方法是对研讨的图像停止大量的统计分析,找出其中的规律并提取反映图像本质特点的特征来停止图像辨认的。它以数学上的决策实际为基础,建立统计学问别模型,因此是一种分类误差最小的方法。常用的图像统计模型有贝叶斯(Bayes)模型和马尔柯夫(Markow)随机场(MRF)模型。但是,较为常用的贝叶斯决策规则虽然从实际上处理了最优分类器的设计成绩,其运用却在很大程度遭到了更为困难的概率密度估计成绩的限制。同时,正是由于统计方法基于严厉的数学基础,而忽略了被辨认图像的空间结构关系,当图像非常复杂、类别数很多时,将导致特征数量的激增,给特征提取形成困难,也使分类难以完成。尤其是当被辨认图像(如指纹、染色体等)的次要特征是结构特征时,用统计法就很难停止辨认。
2)句法辨认法(Syntactic Recognition)
该方法是对统计辨认方法的补充,在用统计法对图像停止辨认时,图像的特征是用数值特征描画的,而句法方法则是用符号来描画图像特征的。它模拟了言语学中句法的层次结构,采用分层描画的方法,把复杂图像分解为单层或多层的相对简单的子图像,次要突出被辨认对象的空间结构关系信息。形式辨认源于统计方法,而句法方法则扩展了形式辨认的才能,使其不只能用于对图像的分类,而且可以用于对景物的分析与物体结构的辨认。但是,当存在较大的干扰和噪声时,句法辨认方法抽取子图像(基元)困难,容易产生误判率,难以满足分类辨认精度和牢靠度的要求。
3)神经网络方法(NeuralNetwork)
该方法是指用神经网络算法对图像停止辨认的方法。神经网络系统是由大量的,同时也是很简单的处理单元(称为神经元),经过广泛地按照某种方式互相衔接而构成的复杂网络系统,虽然每个神经元的结构和功能非常简单,但由大量的神经元构成的网络系统的行为却是丰富多彩和非常复杂的。它反映了人脑功能的许多基本特征,是人脑神经网络系统的简化、笼统和模拟。句法方法侧重于模拟人的逻辑思想,而神经网络侧重于模拟和完成人的认知过程中的感知觉过程、笼统思想、分布式记忆和自学习自组织过程,与符号处理是一种互补的关系。由于神经网络具有非线性映射逼近、大规模并行分布式存储和综合优化处理、容错性强、独特的联想记忆及自组织、自顺应和自学习才能,因此特别合适处理需求同时思索许多要素和条件的成绩以及信息不确定性(模糊或不准确)成绩。在实践运用中,由于神经网络法存在收敛速度慢、训练量大、训练工夫长,且存在部分最小,辨认分类精度不够,难以适用于常常出现新形式的场合,因此其适用性有待进一步提高。
4)模板婚配法(TemplateMatching)
它是一种最基本的图像辨认方法。所谓模板是为了检测待辨认图像的某些区域特征而设计的阵列,它既可以是数字量,也可以是符号串等,因此可以把它看为统计法或句法的一种特例。所谓模板婚配法就是把已知物体的模板与图像中一切未知物体停止比较,假如某一未知物体与该模板婚配,则该物体被检测出来,并被以为是与模板相反的物体。模板婚配法虽然简单方便,但其运用有一定的限制。由于要表明一切物体的各种方向及尺寸,就需求较大数量的模板,且其婚配过程由于需求的存储量和计算量过大而不经济。同时,该方法的辨认率过多地依赖于已知物体的模板,假如已知物体的模板产生变形,会导致错误的辨认。此外,由于图像存在噪声以及被检测物体外形和结构方面的不确定性,模板婚配法在较复杂的状况下往往得不到理想的效果,难以相对准确,普通都要在图像的每一点上求模板与图像之间的婚配量度,凡是婚配量度达到某一阈值的地方,表示该图像中存在所要检测的物体。经典的图像婚配方法应用互相关计算婚配量度,或用相对差的平方和作为不婚配量度,但是这两种方法常常发生不婚配的状况,因此,应用几何变换的婚配方法有助于提高稳健性。
5)典型的几何变换方法次要有霍夫变换HT (Hough Transform)。
霍夫变换是一种疾速外形婚配技术,它对图像停止某种方式的变换,把图像中给定外形曲线上的一切点变换到霍夫空间,而构成峰点,这样,给定外形的曲线检测成绩就变换为霍夫空间中峰点的检测成绩,可以用于有缺损外形的检测,是一种鲁棒性(Robust)很强的方法。为了减少计算量和和内存空间以提高计算效率,又提出了改进的霍夫算法,如疾速霍夫变换(FHT)、自顺应霍夫变换(AHT)及随机霍夫变换(RHT)。其中随机霍夫变换RHT(RandomizedHough Transform)是20世纪90年代提出的一种精巧的变换算法,其突出特点不只能有效地减少计算量和内存容量,提高计算效率,而且能在有限的变换空间获得恣意高的分辨率。 |
