前言：本站為你精心整理了計算機智能圖像識別技術研究范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：圖像識別是信息時代的關鍵技術之一，利用圖像識別技術能夠完成傳統(tǒng)傳感器技術無法實現(xiàn)的任務，同時借助圖像識別與多源信息的融合，能夠讓監(jiān)測效果更佳精確。隨著計算機技術的不斷發(fā)展，計算機算力進一步提升，對信息的處理能力獲得了極大的改善。依托于智能圖像識別算法，可以獲得識別準確率的提升，也能夠降低識別所需的時間，在未來人工智能領域將發(fā)揮重要的作用。本文針對智能圖像識別技術發(fā)展的現(xiàn)狀和特點進行了分析，同時對該技術的實現(xiàn)和改進提出了相應的建議。

關鍵詞：計算機；只能圖像識別；算法與技術

0引言

隨著計算機技術的不斷進步，更加先進的算法應用在了圖像識別技術中，比如神經網絡、遺傳算法、小波算法等，這些算法和技術的實現(xiàn)與應用，在提高圖像識別準確性和速度方面起到了重要的作用。相比于傳統(tǒng)的圖像識別技術，智能圖像識別技術除了用于更為精確的識別能力之外，其海量的存儲能力也為該技術的應用打下了基礎，通過數據分類和對比，能夠更加方便的進行圖像的比對，先進分類算法的應用，即使面對大量的數據也能夠游刃有余。隨著云技術和大數據技術的普及，將智能識別技術與云數據庫關聯(lián)，能夠讓智能圖像識別技術的功能變得更加強大。

1圖像識別技術的原理與發(fā)展現(xiàn)狀

1.1圖像識別技術的原理。（1）圖像識別技術的原理。圖像識別技術是現(xiàn)在研究領域中非常熱門的一種技術，通過圖像識別能夠解決以往難以解決的問題。而計算機能夠利用采集到的圖像信息對圖片進行分析和處理，進而實現(xiàn)對圖像的識別。計算機圖像識別技術就是利用圖像中的相關特征進行判斷，通過這些特征能夠對圖片進行分析，而計算機中本身存儲了海量的圖片信息特征，通過計算機的識別與數據庫中的信息進行對比，可以實現(xiàn)對圖像的識別。這種識別技術與人類圖像識別是相似的，都是通過之前的學習實現(xiàn)對新圖片的識別。以圖像特征為基礎的圖像識別技術與人眼識別圖像是相似的，他們不僅都是利用內部存儲的信息進行圖像判斷，而且在獲取圖像細節(jié)特征的過程中，智能圖像識別技術也是模擬人眼識別的過程。根據相關的研究可以發(fā)現(xiàn)，人眼在進行圖像識別的過程中，眼睛的目光總是跟蹤圖像上的最顯著特征，比如在識別建筑物時，人眼最先觀察到的總是建筑物與其他建筑物之間的差別之處，像建筑物上的標志、建筑物的曲線弧度等，之后才是觀察建筑物與其他建筑物之間的共性。這也是最能夠判斷圖像信息的要素之一。所以在利用計算機進行識別的過程中，也是首先抓住圖像中的特殊要素。在一幅圖像中，包含有眾多的要素信息，如果將這些要素信息進行逐次識別判斷，那么不僅需要耗費大量的計算機算力，同時也會減慢計算機識別的速度。而利用主要信息要素進行圖像識別，能夠進一步提升計算機的識別速度，并且可以在識別的過程中讓計算機不斷訓練，豐富對特殊要素的認知能力，這樣計算機在進行的圖像識別過程中內部已經存儲了該要素的信息，可以進一步減小圖像識別過程中的誤判率，提高圖像識別的智能化。

1.2圖像識別技術的發(fā)展現(xiàn)狀。圖像識別技術的發(fā)展已經從文本圖像過渡到數字圖像。從二十世紀中葉的文本識別研究到中后期的數字圖像處理研究，這種發(fā)展不僅提高了存儲質量，而且提高了信息分析的效率。現(xiàn)場開發(fā)提供了豐富的研究成果。與傳統(tǒng)的模擬圖像識別方法相比，數字圖像識別技術的應用可以大大保證數字信息的真實性和完整性，并為各個領域的員工提供實用的圖像處理方法，以更好地展現(xiàn)圖像信息中包含的數字信息內容。但是現(xiàn)在圖像識別也面臨著巨大的挑戰(zhàn)，隨著圖像識別技術在各行各業(yè)中得到應用，對于其識別精確度、識別速率的要求也越來越高，而圖像識別過程本身需要處理大量的數據，所以做好圖像特征提取、消除冗余信息影響，將會是智能圖像處理技術發(fā)展的趨勢。

2計算機智能圖像識別技術的實現(xiàn)及改進建議

2.1計算機智能圖像識別技術的實現(xiàn)。智能圖像識別技術能夠更加準確和快速的識別出圖像信息，要想實現(xiàn)這些功能，需要提前建立起相關圖像的模型，并且能夠利用學習算法不斷優(yōu)化模型，使得模型中包含的圖像特征更加全面。在這個過程中，為了能夠減輕圖像識別設備的壓力，可以將模型的訓練過程放在云系統(tǒng)上進行。云端具有超大的存儲容量，可以滿足對圖像數據的存儲，同時借助云端的訓練能力，能夠利用深度學習等智能算法進行模型訓練，隨著數據庫不斷豐富，模型能夠更加精確。（1）信息采集與預處理。信息采集與預處理是實現(xiàn)圖像識別的第一道工序，通過相關設備獲取到的圖像往往會含有一些噪聲信號和干擾源，比如圖像中出現(xiàn)過多的噪點，影響對圖像信息的提??；圖像中除了要識別的主要元素之外還含有其他的干擾影響，這會加劇圖像識別算法的壓力。所以在進行圖像識別之前，需要對圖像進行去噪處理?，F(xiàn)在主要的圖像去噪處理方法為小波去噪和中值去噪，小波去噪能夠去除其中的白噪聲，降低隨機噪聲的干擾，而中值去噪能夠降低圖像中椒鹽噪聲的影響。通過神經網絡、主元分析等方式對這些算法進行優(yōu)化，能夠進一步提升算法性能。（2）邊緣信息提取。邊緣信息是圖像識別過程中的細節(jié)信息，這些信息包含了圖像的色彩和亮度的變化過程，在圖像識別過程中起著非常重要的作用。當前，最常用的提取方法是：空間梯度方法、小波變換方法、Zernike等。上述所有方法都有其自身的優(yōu)點，并且都具有某些缺點和缺點。例如，空間梯度法能夠利用梯度下降的方式，更快的趨近于理想的效果，不過該方法容易在趨近過程中受到梯度參數的影響；小波變換的方式在圖像處理過程中最常用，但是小波分解過程所需的時間較長。所以在進行圖像識別過程中往往不會單獨利用一種方法，而是將多種不同的方式進行結合，以此達到更加精確、快速識別的目的。（3）目標定位。在圖像特征提取之后，為了能夠更好的進行識別，往往需要針對圖像中的某些區(qū)域進行進一步分析，以此提高判斷的準確度，這便是圖像識別過程中的目標定位。在某些定位過程中，背景的復雜度越高，對定位精度的影響就越大，因為目標會影響定位。因此，可以將圖像的顏色、邊緣信息以及紋理特征等因素作為目標定位的基本條件。

2.2圖像識別技術的改進。圖像識別技術在視頻跟蹤中用到的最多，但是傳統(tǒng)視頻圖像識別技術一般采用MeanShift算法，該算法不需要參數及快速模式匹配的特點所以在視頻圖像蹤領域中被廣泛使用。但是因為此算法無法有效更新系統(tǒng)，并且無法改變核函數窗寬，以此嚴重影響了跟蹤的精準度。在目標具有明顯的尺度變化過程中，會使尺度不精準，還會丟失目標。針對這一問題，可以通過基于CamShift的視頻跟蹤算法對視頻圖像識別與跟蹤技術進行改進。圖像識別中，對于顏色的感知能力是非常重要的。我們都知道RGB顏色空間對于光照亮度的變化較為敏感，而這種敏感特性在圖像識別的過程中容易產生影響，不利于計算機對顏色信息的判斷。所以為了能夠避免該問題，該算法能夠將圖像從RGB顏色空間轉變成為HSV顏色空間，從而實現(xiàn)后續(xù)的處理。

3結束語

圖像識別技術的應用能夠提升操作的方便性，進一步提升生產效率。在智能圖像識別算法中，能夠獲得更大的數據庫，同時能夠在數據分類和判斷中提供更加精準的依據，當然，這些都要借助于智能算法模型。在人工智能不斷發(fā)展的今天，智能識別技術將會進一步應用于自動駕駛、工業(yè)生產、智慧生活等多個領域，利用先進的識別技術和算法以及大數據技術，可以讓智能圖像識別能力獲得質的提升。

作者:黃曉璐 單位:河南護理職業(yè)學院