基于计算机智能图像识别的算法与技术研究

李思奇

摘 要 近年来，计算机技术的应用越来越多地使用智能图像识别技术来完成工作。该技术可以确保所使用的图像信息得到有效的分析和识别，并且还可以转换为数字信息。本文从了解图像识别的现状和基础开始，讨论了该应用程序的特定优势以及支持图像识别技术以及算法内容的前景。

关键词 计算机;智能图像识别;算法;技术

1图像识别特点、现状及技术优势分析

1.1 技术特点

计算机智能图像识别技术具有三个主要特征：①信息量大。取决于计算机配置，操作系统和存储容量，基于二维信息的图像信息处理方法包含大量信息，并且需要足够的准备条件。图像识别过程;相关性强。在计算机系统中，图像的像素之间具有非常强的相关性，因此在智能图像识别过程中，必须有效地压缩图像输入信息，以获得准确的分类和对应关系。图片信息;自然人性强。在通过计算机进行智能图像识别处理之后，通常由人来评估修整过程，并且人为因素在图像的观察和评估中具有很大的局限性，即图像识别。

1.2 现状

图像识别技术的发展已经从文本图像过渡到数字图像。从二十世纪中叶的文本识别研究到中后期的数字图像处理研究，这种发展不仅提高了存储质量，而且提高了信息分析的效率。现场开发提供了丰富的研究成果。与传统的模拟图像识别方法相比，数字图像识别技术的应用可以大大保证数字信息的真实性和完整性，并为各个领域的员工提供实用的图像处理方法，以更好地展现图像信息中包含的数字信息内容。

1.3 技术优势分析

信息技术的重要性越發凸显。由计算机系统处理的图像可以获得相关的二维信息。如果计算机的配置和运行速度不够，随着二维信息的不断增加，计算机的整体性能可能会下降。成像过程中的智能图像识别可以通过图像传输来识别，因此可以获得更多信息和高精确度。对于传统的图像处理技术，大多数是模拟图像的数字转换。在此过程中，只能获得二维数的组合，并且它们的像素将不超过32位。如果超过该限制，则将失效。智能图像识别可提供更敏感的图像信息。通过提高图像精度，可以满足不同用户的使用需求。智能图像识别可确保所存储图像信息的完整性，同时防止出现图像丢失问题，并且可以全面管理图像与信息之间的关系。最重要的是，技术几乎可以在任何情况下还原映像。在使用计算机系统的智能图像识别过程中，必须专门分析不同的图像，并且必须压缩图像。在此基础上，可以获得有关图像本身的信息，因此，对信息的属性进行特殊分类以更好地与像素相对应。对于3D图像，在输入三维几何图像时无法获得三维几何图像，但必须对其进行再次测量，并根据投影信息数据的经验进行相关假设。智能图像识别可以直接引导3D场景，防止识别问题。出色的灵活性智能图像识别使该技术能够通过在图像处理过程中放大图像来识别各种图像，例如手机卡。由于线性和非线性的结合，所获得信息的完整性得到了进一步的改善：在编辑不同的图像之后，可以在计算机上更仔细地对其进行组合以提高图像的清晰度[1]。

2计算机智能图像识别技术

2.1 采集与预处理

使用智能计算机图像识别技术识别图像时，应收集相关信息。信息量与识别结果的准确性密切相关。图像特征和外部因素可能会导致识别效果出现偏差。图像识别人员应做好图像信息的预先处理，以在采集图像时收集和收集信息，并提高识别结果的可靠性。作为图像识别的主要链接，这将对整个识别过程和识别结果产生重大影响。模式识别有两个阶段：学习阶段和实现阶段。第一种是选择样本的属性并研究分类规则，第二种是根据分类规则对未知样本进行分类和定义。用于模式识别的模式匹配模式简单明了，也易于实际应用。但是，此模型强调图像必须与要识别的大脑中的模型完全一致。实际上，人们不仅可以识别与大脑中的模型完全一致的图像，而且可以识别与模型不完全一致的图像。例如，人们不仅可以识别特定的字母A，还可以识别各种字母A（印刷，手写，误导且大小不同）。同时，人们可以识别很多图像，如果每个识别的图像在大脑中都有相应的模式，就能有效提高预处理技术。

2.2 边缘提取

图像的边缘由沿特定方向的亮度和颜色变化组成，为图像识别提供了大量信息。因此，在智能图像识别过程中，必须有效去除图像边缘。当前，最常用的提取方法是：空间梯度方法，小波变换方法，Zernike等。上述所有方法都有其自身的优点，并且都具有某些缺点和缺点。例如，空间梯度方法的提取速率是各种方法中最快的，但是此方法在提取过程中对许多因素敏感。使提取结果不太理想的效果;小波变换方法的提取效果较好，但提取速度相对较慢。Zernike与小波变换方法相似。因此，在智能图像识别技术的具体应用中，可以将多种提取方法结合使用，不仅可以保证提取速度，而且可以使提取结果更多[2]。

2.3 区域分割

当使用智能计算机图像识别技术识别图像信息时，图像的颜色和灰度通常是一致的。当识别这种类型的图像时，可以对目标区域进行划分以最大限度地提高识别结果的完整性和可靠性。中国目前使用的区域分割方法包括直接分割和间接分割。不同的区域分割方法适用于不同的图像识别情况。例如，在定义和分析航拍照片时，可以分为多个部分。各种区域图像用于分离和识别。在这个级别上，区域分割方法的应用应与不同区域的性质和含义相结合。实施该方法可以更好地满足图像识别的目标，从而有助于提高图像识别分析的完整性和独创性效果。

2.4 目标定位

定位目标的主要目的是获得有关数据的相关信息，然后限制图像中的目标区域。在某些定位过程中，背景的复杂度越高，对定位精度的影响就越大，因为目标会影响定位。为了解决此问题，可以在以下条件下定位目标：颜色特点，边缘分量的基本元素，纹理特点等[3]。

3结束语

科技的发展支撑着互联网时代的智能化，图像识别是计算机人工智能新领域的主要研究内容之一。当前，用于计算机的智能图像识别的算法和技术被广泛应用于各个领域，但是仍需要不断研究它们以更好地支持社会发展。

参考文献

[1] 鲁琴，孟瑶.基于互联网的动态图像信息智能提取系统的设计[J].电视技术，2018，42（9）：47-51.

[2] 张晓轩.计算机智能图像识别的算法与技术研究[J].科学技术创新，2018（24）：67-68.

[3] 葛玮，吴佳.关于计算机智能图像识别的算法及技术分析[J].无线互联科技，2014（10）：82.