图像处理与识别技术的发展及应用

2020-11-26陆佳艳

无线互联科技 2020年10期

陆佳艳

（天津职业技术师范大学，天津 300222）

目前图像抓取遇到短暂瓶颈，为理清大数据在图像技术概念下实践性差异的逻辑意义，以人脸识别为研究对象的智能监控等关键性技术应运而生，基于实现系统中的借鉴意义，类似医学图像处理的环节将被同样纳入技术检测范围。

1 识别语境与特征

数字语境中所涉及的代表性算法语言，以代码增强分割为主线，系统对接程序路径，将图形和影像归于处理模拟半导体容量存储技术和帧显切口，为识别技术发展提供基石。深度识别领域对计算机视觉认定、机器语言学习及开源技术，尤其是AI方向的强数据语言处理功能，提供了复杂的运算支持，使其在关键应用场景下高分辨率和实时运算效率的深度学习模型得以实现。

1.1 分割传统

作为传统视觉研究一项难题，图像分割已成为图像理解领域关注的焦点，视觉基础成为图像理解的内核。对于灰度图像区域，其内部呈像扫描一般具有相似不连续性。分割技术因问题重要及困难程度，采取不同门径的质检形式，把传统数据学习利用的环境拓扑计算等运筹方法进行演绎，随算力增加及语境发展，效果上与以往已不可同日而语。

1.1.1 基于阈值

阈值基于图像一个或多个灰度特征计算，将多个像素数值进行比较，最终确定关键准则，以求解函数最佳阈值。目标和背景占据不同范围的图像只需要选取单一阈值分割；如果图像有多个目标需要提取，就需要选取多个阈值隔开。基于阈值的方法具有以下特点：计算效率简单高效；空间降噪素点偏低，鲁棒性较弱。阈值选择最关键就在于将智能遗传算法应用到筛选分割图像之上，基于图像识别和技术处理加以指正。

1.1.2 基于区域

直接寻找分割区域，基于提取形式合并形成所需全局切割区域。如代表生长像素的邻域将添加符合机器学习的手写方法应用到关键合理的准则之中。算法经常需要解决区域分合问题，而区域逆过程从整幅图像出发，不断实现提取。例如，四叉树分解法中的边界图像分割效果在实际应用中通常是基于使用物体定义的场景等先验知识不足的情况使用。分水岭算法却可根据构成考虑分割现实想象，基于拓扑学的数形方法，把图像测地学中像素的灰度值表示为高度，局部极值及影响称为盆区，而边界部分则形成分水岭。通过模拟穿孔、模型加深扩展，在集水处构筑形成。微弱边缘良好响应图像噪声、物体微表变化产生分割现象，同时保证图像特征封闭连续。

1.1.3 基于边界

边界检测图像分割试图通过不同区域解决问题。通过图片空间变换到频域，即边缘对应高频的部分，将检测并行微分像素值的不连续性采用阶导法提出基于曲面拟合、扩散反应等概念、证明了大量碎片难以形成高细节度的、非完整意义上的图像分割过程就是边缘信息获取后续处理的结合任务研究。初始自适层次以及重要边界被假性剔除。

1.1.4 基于特定工具

类似于微波分析变换、遗传图像分割及轮廓模型等特定方法，早在谷歌计算机视觉模拟识别大会上就公布其运用的相关技术产品。基于开源跨平台技术框架，构建多模应用的机器处理模态，凭借帧图识别点位，如APP与PC中的感知数据。

1.2 定义未来

AI智能核心课题即图像识别，从机器学习研究角度看智能方向，但识别问题在于定位中被叫作图像检测或是物体分类用途的情况，如无人驾驶摄像辅助，识别场景包括车道、标识及障碍物等，可让出行方便轻松。

1.2.1 识别难点

图像识别的难点就在于其多位视点，物体拍照因视点不同，外观也会不一，包括尺度中近大远小般的识别；光影变化一向是视觉图像特别注意的又一个问题，不同光影下判若两人；背景复杂的难点在于寻找的过程；遮挡的难点在于图片的复杂性；而变形如柔体运动变形，图像表现各异。

1.2.2 发展路线

从基本问题着手，利用工具检测和识别规范形状、几何组合。根据外观且不考虑识别物体结构，如人脸检测。除了人脸识别研究，手写识别的成果不容忽视。此外汽车检测、指纹识别、文字光学字符识别（Optical Character Recognition，OCR）等研究工作已发展到产品化阶段，与此同时，相关学者用新思路做图设计学习框架，希望图像识别借鉴文本分析，采用“词袋”方法，在自然语言处理中对文本分类。

2 处理转化与意义

2.1 数字化处理探究

超大集成电路伴随计算机技术得以迅速发展。图像处理技术在喷气推进实验中首次被引入，最初是对空间照片的处理，如校正、去噪等。其中，图片深度处理技术为后续登月计划打下坚实基础。进入20世纪中期，计算机视觉给数字图像技术提供了发展沃土，人类着手进行数据处理、提炼图像信息，并进一步运用分析。自此，视觉计算理论走向机器视觉领域，大批量处理图像数据衍生出多种读取方式。20世纪90年代末期，图像处理技术迎来发展高潮，如小波理论的完善与进步。2020年，诸多应用科学技术得到了前所未有的重视，图像处理也拓展了其内在业务[1]。

2.2 新型技术研究内容

傅里叶变换、离散余弦变换等图像变换处理方式，可逐步消除因压缩过载图像而带来的运算迟滞；小波变换在图像细节处理中被大量应用。编码压缩因占用大量空间而增加读写时间的数字图像，能有效减少处理时间；此外，目前较为成熟的处理方法是非失真或失真压缩可有效还原图像信息；图像增强一般以提高图像质量凸显关注因素。新型技术在图像处理中除了上述的几种模式外，其处理特点同样值得深究，如图像处理的重现性好、分辨率高、使用范围广、可灵活处理、压缩空间大等特点。

2.3 应用识别处理意义

2.3.1 个体应用代表：汽车与字符

（1）在现代汽车电子图像技术应用发展背景下，为改善汽车综合性能，环保、舒适等未来发展的自动驾驶构想成为智能运输系统发展研究的技术引擎。例如，防抱死微处理车载传感器和依据热源图像表盘算法的变速点火控制装置的不断完善与进步，采用现代图像技术可以解决工业发展所面临的诸多技术难题。汽车工业以现代电子技术为动力，把电子化进程革命看作是衡量现代影像技术水平的重要标志[2]。

（2）互联网信息爆炸，图情世界不断充盈。为保障信息秩序，监控现存内容的增长态势，让支持多格式图像读取的舆情识别软件开发工具包（Software Development Kit，SDK）能够定位识别文字等信息。对字幕版面模式在图像处理类型较多的文本信息，如印刷手写等信息处理上覆盖全部；在处理图像信息过程中，将识别对象予以编号，以阿拉伯数字居多；跟踪匹配或表情分析在光照补偿和面部特征提取过程中的身份背调。

2.3.2 生物医学应用

生物医学领域图像小到微细胞边缘，大到骨裂手术应用，在口腔疾病治疗中越发凸显其实用价值。例如，龋病在进行早期预疗识别时，图像检测系统可针对其一定程度的危害性，有效做出预判。如新冠疫情期间，现代细胞图像识别技术主要围绕疾病治疗的课题，有效避免出现临床医学在诊疗时难以实现准确病症判断（尤其是疑难杂症看诊中）的问题。为了解患者恢复情况，观察并分析显微设备对细胞识别区域内的典型性图像，及时确定发病原因和主要病灶位置[3]。此外，数字图像医学辅助应用在常见的超声影像、X射线技术和遗产序列分析等诊疗技术也同样适用。由此得出，图像处理应用对医疗技术水平的提升具有促进作用。

3 前景：小数据，大施展

利用深度学习，通过大量标注在各种任务中的现有技术，在小数据情景中通常作为如家庭机器人等虚拟挂件，新物体很自然地完成操作，赋予拟人泛化能力，但大规模数据的关键在于出错成本廉价。因此，微时代可创造数以亿计的小数据图标，通过建模呈现出极高的收益价值[4]。

（1）图像场景理解。从场景感知到对现实世界的认知除了与训练数据相关的泛化能力外，人类还可推断物联关系的场景布局，获得交互应用以外的信息。（2）自动化网络制图。处理参数和设计选择图像识别领域的重心，转向自动更新神经网络架构的检索研究，但仍处于早期，且仅适于图像分类的搜索APP，市场依旧非常狭窄。（3）智能识别映射处理。分辩关键目标物体，如用于安防的计算机数据过滤系统。排除干扰信息并自动抽取来源图像，涵盖智能学习效果。