關(guān)于圖像識(shí)別與圖像處理的簡(jiǎn)述

圖像識(shí)別過(guò)程分為圖像處理和圖像識(shí)別兩個(gè)部分。

圖像處理（imageProcessing）利用計(jì)算機(jī)對(duì)圖像進(jìn)行分析，以達(dá)到所需的結(jié)果。

圖像處理可分為模擬圖像處理和數(shù)字圖像處理，而圖像處理一般指數(shù)字圖像處理。

這種處理大多數(shù)是依賴于軟件實(shí)現(xiàn)的。

其目的是去除干擾、噪聲，將原始圖像編程適于計(jì)算機(jī)進(jìn)行特征提取的形式，主要包括圖像采樣、圖像增強(qiáng)、圖像復(fù)原、圖像編碼與壓縮和圖像分割。

1）圖像采集

圖像采集是數(shù)字圖像數(shù)據(jù)提取的主要方式。數(shù)字圖像主要借助于數(shù)字?jǐn)z像機(jī)、掃描儀、數(shù)碼相機(jī)等設(shè)備經(jīng)過(guò)采樣數(shù)字化得到的圖像，也包括一些動(dòng)態(tài)圖像，并可以將其轉(zhuǎn)為數(shù)字圖像，和文字、圖形、聲音一起存儲(chǔ)在計(jì)算機(jī)內(nèi)，顯示在計(jì)算機(jī)的屏幕上。圖像的提取是將一個(gè)圖像變換為適合計(jì)算機(jī)處理的形式的第一步。

2）圖像增強(qiáng)

圖像在成像、采集、傳輸、復(fù)制等過(guò)程中圖像的質(zhì)量或多或少會(huì)造成一定的退化，數(shù)字化后的圖像視覺(jué)效果不是十分滿意。為了突出圖像中感興趣的部分，使圖像的主體結(jié)構(gòu)更加明確，必須對(duì)圖像進(jìn)行改善，即圖像增強(qiáng)。通過(guò)圖像增強(qiáng)，以減少圖像中的圖像的噪聲，改變?cè)瓉?lái)圖像的亮度、色彩分布、對(duì)比度等參數(shù)。圖像增強(qiáng)提高了圖像的清晰度、圖像的質(zhì)量，使圖像中的物體的輪廓更加清晰，細(xì)節(jié)更加明顯。圖像增強(qiáng)不考慮圖像降質(zhì)的原因，增強(qiáng)后的圖像更加賞欣悅目，為后期的圖像分析和圖像理解奠定基礎(chǔ)。

3）圖像復(fù)原

圖像復(fù)原也稱圖像恢復(fù)，由于在獲取圖像時(shí)環(huán)境噪聲的影響、運(yùn)動(dòng)造成的圖像模糊、光線的強(qiáng)弱等原因使得圖像模糊，為了提取比較清晰的圖像需要對(duì)圖像進(jìn)行恢復(fù)，圖像恢復(fù)主要采用濾波方法，從降質(zhì)的圖像恢復(fù)原始圖。圖像復(fù)原的另一種特殊技術(shù)是圖像重建，該技術(shù)是從物體橫剖面的一組投影數(shù)據(jù)建立圖像。

4）圖像編碼與壓縮

數(shù)字圖像的顯著特點(diǎn)是數(shù)據(jù)量龐大，需要占用相當(dāng)大的存儲(chǔ)空間。但基于計(jì)算機(jī)的網(wǎng)絡(luò)帶寬和的大容量存儲(chǔ)器無(wú)法進(jìn)行數(shù)據(jù)圖像的處理、存儲(chǔ)、傳輸。為了能快速方便地在網(wǎng)絡(luò)環(huán)境下傳輸圖像或視頻，那么必須對(duì)圖像進(jìn)行編碼和壓縮。目前，圖像壓縮編碼已形成國(guó)際標(biāo)準(zhǔn)，如比較著名的靜態(tài)圖像壓縮標(biāo)準(zhǔn)JPEG，該標(biāo)準(zhǔn)主要針對(duì)圖像的分辨率、彩色圖像和灰度圖像，適用于網(wǎng)絡(luò)傳輸?shù)臄?shù)碼相片、彩色照片等方面。由于視頻可以被看作是一幅幅不同的但有緊密相關(guān)的靜態(tài)圖像的時(shí)間序列，因此動(dòng)態(tài)視頻的單幀圖像壓縮可以應(yīng)用靜態(tài)圖像的壓縮標(biāo)準(zhǔn)。圖像編碼壓縮技術(shù)可以減少圖像的冗余數(shù)據(jù)量和存儲(chǔ)器容量、提高圖像傳輸速度、縮短處理時(shí)間。

5）圖像分割技術(shù)

圖像分割是把圖像分成一些互不重疊而又具有各自特征的子區(qū)域，每一區(qū)域是像素的一個(gè)連續(xù)集，這里的特性可以是圖像的顏色、形狀、灰度和紋理等。圖像分割根據(jù)目標(biāo)與背景的先驗(yàn)知識(shí)將圖像表示為物理上有意義的連通區(qū)域的集合。即對(duì)圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后把目標(biāo)從背景中分離出來(lái)。目前，圖像分割的方法主要有基于區(qū)域特征的分割方法、基于相關(guān)匹配的分割方法和基于邊界特征的分割方法［2］。由于采集圖像時(shí)會(huì)受到各種條件的影響會(huì)是圖像變的模糊、噪聲干擾，使得圖像分割是會(huì)遇到困難。在實(shí)際的圖像中需根據(jù)景物條件的不同選擇適合的圖像分割方法。圖像分割為進(jìn)一步的圖像識(shí)別、分析和理解奠定了基礎(chǔ)。

圖像識(shí)別將圖像處理得到的圖像進(jìn)行特征提取和分類。識(shí)別方法中基本的也是常用的方法有統(tǒng)計(jì)法（或決策理論法）、句法（或結(jié)構(gòu)）方法、神經(jīng)網(wǎng)絡(luò)法、模板匹配法和幾何變換法。

1）統(tǒng)計(jì)法（StatisticMethod）

該方法是對(duì)研究的圖像進(jìn)行大量的統(tǒng)計(jì)分析，找出其中的規(guī)律并提取反映圖像本質(zhì)特點(diǎn)的特征來(lái)進(jìn)行圖像識(shí)別的。它以數(shù)學(xué)上的決策理論為基礎(chǔ)，建立統(tǒng)計(jì)學(xué)識(shí)別模型，因而是一種分類誤差最小的方法。常用的圖像統(tǒng)計(jì)模型有貝葉斯（Bayes）模型和馬爾柯夫（Markow）隨機(jī)場(chǎng)（MRF）模型。但是，較為常用的貝葉斯決策規(guī)則雖然從理論上解決了最優(yōu)分類器的設(shè)計(jì)問(wèn)題，其應(yīng)用卻在很大程度受到了更為困難的概率密度估計(jì)問(wèn)題的限制。同時(shí)，正是因?yàn)榻y(tǒng)計(jì)方法基于嚴(yán)格的數(shù)學(xué)基礎(chǔ)，而忽略了被識(shí)別圖像的空間結(jié)構(gòu)關(guān)系，當(dāng)圖像非常復(fù)雜、類別數(shù)很多時(shí)，將導(dǎo)致特征數(shù)量的激增，給特征提取造成困難，也使分類難以實(shí)現(xiàn)。尤其是當(dāng)被識(shí)別圖像（如指紋、染色體等）的主要特征是結(jié)構(gòu)特征時(shí)，用統(tǒng)計(jì)法就很難進(jìn)行識(shí)別。

2）句法識(shí)別法（Syntactic Recognition）

該方法是對(duì)統(tǒng)計(jì)識(shí)別方法的補(bǔ)充，在用統(tǒng)計(jì)法對(duì)圖像進(jìn)行識(shí)別時(shí)，圖像的特征是用數(shù)值特征描述的，而句法方法則是用符號(hào)來(lái)描述圖像特征的。它模仿了語(yǔ)言學(xué)中句法的層次結(jié)構(gòu)，采用分層描述的方法，把復(fù)雜圖像分解為單層或多層的相對(duì)簡(jiǎn)單的子圖像，主要突出被識(shí)別對(duì)象的空間結(jié)構(gòu)關(guān)系信息。模式識(shí)別源于統(tǒng)計(jì)方法，而句法方法則擴(kuò)大了模式識(shí)別的能力，使其不僅能用于對(duì)圖像的分類，而且可以用于對(duì)景物的分析與物體結(jié)構(gòu)的識(shí)別。但是，當(dāng)存在較大的干擾和噪聲時(shí)，句法識(shí)別方法抽取子圖像（基元）困難，容易產(chǎn)生誤判率，難以滿足分類識(shí)別精度和可靠度的要求。

3）神經(jīng)網(wǎng)絡(luò)方法（NeuralNetwork）

該方法是指用神經(jīng)網(wǎng)絡(luò)算法對(duì)圖像進(jìn)行識(shí)別的方法。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的，同時(shí)也是很簡(jiǎn)單的處理單元（稱為神經(jīng)元），通過(guò)廣泛地按照某種方式相互連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，雖然每個(gè)神經(jīng)元的結(jié)構(gòu)和功能十分簡(jiǎn)單，但由大量的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)的行為卻是豐富多彩和十分復(fù)雜的。它反映了人腦功能的許多基本特征，是人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的簡(jiǎn)化、抽象和模擬。句法方法側(cè)重于模擬人的邏輯思維，而神經(jīng)網(wǎng)絡(luò)側(cè)重于模擬和實(shí)現(xiàn)人的認(rèn)知過(guò)程中的感知覺(jué)過(guò)程、形象思維、分布式記憶和自學(xué)習(xí)自組織過(guò)程，與符號(hào)處理是一種互補(bǔ)的關(guān)系。由于神經(jīng)網(wǎng)絡(luò)具有非線性映射逼近、大規(guī)模并行分布式存儲(chǔ)和綜合優(yōu)化處理、容錯(cuò)性強(qiáng)、獨(dú)特的聯(lián)想記憶及自組織、自適應(yīng)和自學(xué)習(xí)能力，因而特別適合處理需要同時(shí)考慮許多因素和條件的問(wèn)題以及信息不確定性（模糊或不精確）問(wèn)題。在實(shí)際應(yīng)用中，由于神經(jīng)網(wǎng)絡(luò)法存在收斂速度慢、訓(xùn)練量大、訓(xùn)練時(shí)間長(zhǎng)，且存在局部最小，識(shí)別分類精度不夠，難以適用于經(jīng)常出現(xiàn)新模式的場(chǎng)合，因而其實(shí)用性有待進(jìn)一步提高。

4）模板匹配法（TemplateMatching）

它是一種最基本的圖像識(shí)別方法。所謂模板是為了檢測(cè)待識(shí)別圖像的某些區(qū)域特征而設(shè)計(jì)的陣列，它既可以是數(shù)字量，也可以是符號(hào)串等，因此可以把它看為統(tǒng)計(jì)法或句法的一種特例。所謂模板匹配法就是把已知物體的模板與圖像中所有未知物體進(jìn)行比較，如果某一未知物體與該模板匹配，則該物體被檢測(cè)出來(lái)，并被認(rèn)為是與模板相同的物體。模板匹配法雖然簡(jiǎn)單方便，但其應(yīng)用有一定的限制。因?yàn)橐砻魉形矬w的各種方向及尺寸，就需要較大數(shù)量的模板，且其匹配過(guò)程由于需要的存儲(chǔ)量和計(jì)算量過(guò)大而不經(jīng)濟(jì)。同時(shí)，該方法的識(shí)別率過(guò)多地依賴于已知物體的模板，如果已知物體的模板產(chǎn)生變形，會(huì)導(dǎo)致錯(cuò)誤的識(shí)別。此外，由于圖像存在噪聲以及被檢測(cè)物體形狀和結(jié)構(gòu)方面的不確定性，模板匹配法在較復(fù)雜的情況下往往得不到理想的效果，難以絕對(duì)精確，一般都要在圖像的每一點(diǎn)上求模板與圖像之間的匹配量度，凡是匹配量度達(dá)到某一閾值的地方，表示該圖像中存在所要檢測(cè)的物體。經(jīng)典的圖像匹配方法利用互相關(guān)計(jì)算匹配量度，或用絕對(duì)差的平方和作為不匹配量度，但是這兩種方法經(jīng)常發(fā)生不匹配的情況，因此，利用幾何變換的匹配方法有助于提高穩(wěn)健性。

5）典型的幾何變換方法主要有霍夫變換HT （Hough Transform）。

霍夫變換是一種快速形狀匹配技術(shù)，它對(duì)圖像進(jìn)行某種形式的變換，把圖像中給定形狀曲線上的所有點(diǎn)變換到霍夫空間，而形成峰點(diǎn)，這樣，給定形狀的曲線檢測(cè)問(wèn)題就變換為霍夫空間中峰點(diǎn)的檢測(cè)問(wèn)題，可以用于有缺損形狀的檢測(cè)，是一種魯棒性（Robust）很強(qiáng)的方法。為了減少計(jì)算量和和內(nèi)存空間以提高計(jì)算效率，又提出了改進(jìn)的霍夫算法，如快速霍夫變換（FHT）、自適應(yīng)霍夫變換（AHT）及隨機(jī)霍夫變換（RHT）。其中隨機(jī)霍夫變換RHT（RandomizedHough Transform）是20世紀(jì)90年代提出的一種精巧的變換算法，其突出特點(diǎn)不僅能有效地減少計(jì)算量和內(nèi)存容量，提高計(jì)算效率，而且能在有限的變換空間獲得任意高的分辨率。
編輯：lyn