图像处理与识别技术的发展及应用分析

2018-12-23王彦超

无线互联科技 2018年13期

王彦超

（平顶山教育学院计算机系，河南平顶山 467000）

图像处理与识别二者之间是相互联系的，图像处理是图像识别的基础条件，图像识别又促进了图像处理技术的提升。通过计算机对图像进行处理、分析，最终达到需要的技术效果，能够对处理对象进行识别。图像处理与识别的最终目的是识别，文字识别、数字图像识别、物体识别是图像识别经历的3个阶段。在我国的很多领域中，对于很精细的对象用肉眼是无法满足需求的，此时就需要利用计算机的图像处理与识别技术，通过精细的技术代替人类处理大量的物理信息，提高识别效率，降低错误率。

1 图像处理与识别技术的原理及优势

图像处理与识别技术其实与人类的图像识别原理相似，人类的图像处理与识别也是先对看到的事物有一个直观感受，然后经过大脑的加工和处理将这些信息存储起来，再次看到相同的事物时就会从大脑中提取出来，这就是人类的图像处理与识别的过程。计算机的图像处理与识别过程与人类相似，只是在观察图像时没有人类的感受，利用计算机的优势，在信息加工、存储以及提取的速度方面更快，容量更大，细节更加精细。所以用计算机图像处理与识别技术可以代替人类处理大量繁琐的事物，效率更高。利用计算机进行图像处理与识别技术还有重要的模式识别，运用数学思想中的统计与概率进行统计模式识别、句法模式识别、模糊模式识别，与人脑相比具有很大的优势[1]。

2 图像识别技术的过程

计算机图像处理与识别技术的过程与人类的图像识别原理相似，主要有信息的获取、预处理、特征抽取和选择、分类器设计和分类决策几个步骤。信息的获取是通过传感器将光或者声音等信息转换为电信息，将研究对象的基本信息转换为机器可以识别的信息；在获取信息后，要对图像进行去燥、平滑以及变换等处理，从而突出图像中的重要特征，便于下一步的特征抽取；在预处理后，图像中的重要特征都会显示出来，然后通过设定的程序对这些特征进行识别，识别后要分别抽取不同的特征，在实际操作中，会根据需要选择有用的特征。特征的抽取与选择是图像识别中最为重要的环节，直接关系到图像识别的结果。分类器设计是指通过训练而得到一种识别规则，通过此识别规则可以得到一种特征分类，使图像识别技术能够得到高识别率。分类决策是指在特征空间中对被识别对象进行分类，从而更好地识别所研究的对象具体属于哪一类[2]。

3 计算机图像处理与识别技术的应用

3.1 计算机图像处理与识别技术在交通领域的应用

为了确保交通系统的高效运行，应用图像处理与识别技术可构建全方位、动态、高效的地面运行管理系统，促进质量交通的发展，有效改善交通混乱的现象。车辆收费、道路拥挤、车辆失窃、车辆违章都是现代交通系统中存在的问题，利用图像处理与识别技术对车牌和车身进行识别，可高效处理这些问题，在促进智能交通的发展中发挥了重要的作用。

3.1.1 图像处理与识别在车身颜色和形状识别方面存在的问题

在对车身进行颜色识别时，基于实验室的环境因素，会取得较好的成效，但是由于车辆的实际行驶环境会受到诸多因素的影响，比如天气、光线、灰尘、噪声等，都会对识别率造成一定的影响。所以处于室外中运动的车辆因为颜色的非恒定性、运动目标不完全分割以及目标本身颜色的复杂性，都是影响车身颜色识别的重要因素，这是智能交通中图像处理与识别应该解决的问题。在对车身形状识别方面也存在一定的问题，由于车辆本身在尺度、方向以及位置上会发生相对变化，行驶的过程中受到不均匀速度的影响，其形状和大小在角度上会发生一定的偏差。同时，车辆间的遮挡、光照条件的变化等，都会对车身形状识别增加难度，所以对车身颜色和形状识别是图像处理与识别技术需要解决的重要问题，才能够更好地应用于智能交通领域中。

3.1.2 图像处理与识别技术在车牌识别中的应用

车身颜色识别、车身形状识别以及车牌识别都是图像处理与识别技术在交通系统中的重要应用，经过图像处理与识别技术的发展，在车身颜色和形状方面的识别水平得到了大幅的提升，而对于车牌的识别包括了定位技术以及字符识别技术。车牌自动识别主要包括定位、分割以及字符识别几个部分，首先进行车牌特征提取，车牌像素特征提取是最为简单的方式，在图像扫描的过程中，对于黑色像素取值1、白色像素取值0，就能够得到维数与图像中像素点数相同的向量矩阵。但是这种方法的适应性不佳，所以还需要在适应性方面进行改善。对骨架特征进行提取具有较好的适应性，因为对图像线条进行统一宽度后会缩小差异性，通过计算机算法能够提取到车牌骨架的特征并得到向量矩阵。对车牌图像的特征点进行提取可以有效弥补其他方法中适应性差这个缺点，通过13点特征提取法能够降低因为角度变化而造成字符倾斜产生的误差。除了上述提车牌特征提取方法之外，图像处理与识别技术中还有梯度统计、弧度统计、角点提取等一系列特征向量提取方法。

车牌分割也是车牌识别技术中的重要部分，灰度转化是车牌分割的首要环节，通过车牌定位能够得到256色位图的图像，灰度转化能够避免因为颜色差异带来的不便，为下一步操作提供依据；经过灰度处理的车牌图像再进行二值化处理，可将图像灰度值处理为黑白两种颜色；车牌大多都是有摄像头拍摄的，所以会受到环境的影响而造成图像模糊的情况，通过梯度锐化处理能够使模糊的图像变得清晰；为了保证车牌识别的清晰度，还要去除离散的噪声。在摄像头拍摄车牌时，会因为角度问题而出现车牌倾斜的现象，对于这种现象，如果提示车牌字符像素的平均位置有较大差异，可通过图像左右像素得到平均高度，求出斜率后得到偏转角，然后重新组织坐标。车牌字符分割算法主要有垂直投影法、静态边界法以及连通区域法。这3种方法能够确定车牌字符的边界、分割得到车牌的清晰图像，但是各存在其优缺点，在实际使用中应该有所选择[3]。

3.2 计算机图像处理与识别技术在安防领域中的应用

图像处理与识别技术在安防领域的应用，大大提高了安防效率。视频监控系统在安防工作中应用较为广泛，图像处理与识别在视频监控系统中的应用，能够实现自动监控，通过视频图像的采集，经过识别后能够为安防工作带来重要的参考依据。一方面大大减轻了工作人员的工作量，另一方面也有效提高了安防工作效率。

3.3 计算机图像处理与识别技术在农业领域中的应用

将计算机图像识别技术应用到农业生产当中，可以对植物的生长进行相应的监测与评价，同时还能够对农产品进行质检，对植物的生长进行全景图像的监控。当农作物发生病虫害时，可以通过计算机图像识别技术对病虫害的图像进行诊断，比如茶叶种类分类、田间杂草识别、水果缺陷识别、粮虫检测技术等。粮食害虫会严重影响到粮食的质量，而传统的取样法、诱捕法、声测法、近红外反射光谱识别法都存在不同程度的缺陷，利用图像处理与识别技术，对粮食害虫进行检测可提高检测效率。

首先对粮虫图像进行预处理，预处理包括灰度化、二值化、平滑以及锐化几种方法。灰度化处理是利用最大值法、加权平均法以及平均值法将粮虫图像从彩色转换为灰色，方法操作简单，用三原色来描述灰度值。因为灰度化处理的目标图像与背景图像存在较大的差别，所以可用0和1分别表示目标图像和背景图像，这样有利于灰色图像与二值图像之间的转换。利用二值化进行粮虫图像处理，对象区域能够更加明显地显示出来，为后续工作的开展提供有利的依据。对图像进行平滑处理就是在相同的窗口放置图像，保证所有像素的灰度值平均，对中心部位像素的灰度值进行替代，即可完成平滑处理。通过加深图像的灰度颜色以及对比外援色彩数值，可有效提升图像的清晰度，达到图像锐化的目的。

在对图像进行预处理后，可得到高质量的图像，还需要利用边缘检测技术将图像中的目标和背景区分开来。利用局部差分算法进行Roberts边缘检测算子，通过互相垂直方向上的差分，Roberts边缘检测算子能够计算梯度，在得到合适的阈值后，将梯度幅度和阈值比较，可得到阶跃边缘点，最终获取边缘图像。Sobel边缘检测算子是对各个像素的领域加权差进行考察，加权差最大的点即为边缘点，Sobel是检测效果最好的边缘检测。

对粮虫进行图像特征提取为粮虫识别提供数据支持，其中区域描述子特征的效果最好，一般包括以下8种区域描述子特征：图像中待识别对象面积像素点个数总和，待识别对象的周长，待识别对象面积占图像总体比例，待识别粮虫图像的最小外接矩形的宽度比上长度值，待识别对象紧凑性，反应待识别对象的复杂程度，等效面积圆半径，待识别对象长短轴长度之比。通过对粮虫图像的几何形态特征进行识别，可有效防止虫害，提高粮食存储质量。

4 计算机图像处理与识别技术的发展

4.1 趋于标准化和高速化

计算机图像处理与识别技术在多个领域的应用，大大提高了人们的生活质量，同时也带动了相关产业的进一步发展。在计算机图像处理与识别技术中，还有很多瓶颈需要克服，为了更好地发挥图像处理与识别的功能，不仅要在硬件方面有所升级，还需要在软件方面不断研发。为图像处理与识别系统配置最好的硬件，便于处理程序时在速度和容量方面的提升，逐渐向标准化和高速化方面发展。在软件方面，要在图像获取、分析、处理、存储这些方面加速研发，加快对三维景物的识别，更好地发挥图像处理与识别技术的优势。

4.2 朝着多维化方向发展

基于二维处理的计算机智能化图像识别技术正在向三维处理甚至是多维处理转变，这就预示着日后的图像识别处理将会更加准确。当下，计算机的硬件水平处于上升的过程，这就使得计算机智能化图像识别技术被广泛应用到生活中的每个领域，在今后的发展过程中，分类、整理被识别图像的详细信息并转化成清晰度较高的图片将是计算机智能化图像识别技术的发展重点。