【转载】图像识别发展趋势

http://www.autoid123.com/news/data/802.htm

图像技术的应用域极为广泛。下面以其学科分支及应用领域为纲,简述其发展状况及前景。
1.计算机图像生成
以计算机图形学和“视算”为基础的计算机图像生成技术,在21世纪将更加繁荣。在大型飞行、航海仿真训练系统中的应用已大见成效,目前已深入民用。在广告制作、动画制作中已有令人叹为观止的杰作。在21世纪初,“全仿真人造演员”领衔主演的动画片的表情声笑将达到乱真的程度,计算机图像生成技术的完善及廉价化对人类文化将形成一新天地。在民用衣饰、发型的设计、歌舞动作设计、外科整容预测、公安机构根据目击者叙述的罪犯追忆造型等诸多方面都有广泛应用。在军事C3I系统中也有广阔应用前景。
立体电视也将在计算机图像生成的基础上与电视技术相结合而诞生。
其它如计算机图像生成在CAD方面的应用,特别是工业产品造型设计等将进一步完善化。
2.图像传输与图像通信,高清晰度电视
以全数字式图像传输的实时编码—压缩一解码为中心的图像传输技术将得到巨大的进展。在2000年前,高清晰度电视,特别是全数字式的HDTV将在世界范围内得到广泛采纳并成为下一代电视的标准。以宽度约1米,高度约60厘米的高清晰度彩色荧光屏为中心的多媒体将成为每个家庭文化生活和教育的中心,图文声像并茂的“图文电视”将成为纵缆世界、本市、本社区的新闻、交通、商业采购最新消息的随时更新、自由翻阅的“电视画报”。以“图文电视”多媒体光盘等为手段的多种课程的进修、学习将可随时在空余时间内完成并将成绩汇总评阅。据估计,HDTV及相应的家庭、多媒体中心将成为20世纪前30年最为影响国民经济的举足轻重的龙头产品之一,有关产值可达5000亿美元,目前已成为工业先进国家争夺的目标,可视电话及电话图像传真将成为家庭的必备品。可视数据将成为家庭中随时可查可录的图书馆和资料库,这种广泛的信息来源,图文声像并茂的“多媒体文化”将形成—代文化环境,深入到每个家庭,成为影响人们生活、教育、文化、娱乐、乃至工作方式的高新技术。
小型轻便的全数字式图像传输系统以其高压流率、高度保密的特点成为军事C3I系统中的重要一环。
3.机器人视觉及图像测量
随着生活水平的日益提高,危、重、繁、杂的体力劳动将逐渐被智能机器人及机器人生产线所取代,随着机器人在工业、家庭生活中日益广泛的应用,高智能的机器人视觉是关键的一环。三维摄像机——直接摄取空间像素的灰度及“深度”的摄像将会诞生。以“三维机器视觉”分析成果为中心,配有环境理解的机器视觉将在工业装配、自动化生产线控制、救火、排障、引爆等应用乃至家庭的辅助劳动、炊事烹任、洗衣、清洁、老年人及残障病人的监护方面发挥巨大的作用。
与机器视觉相并行,以三维分析为基础的图像测量传感将成为通用的智能化测量技术而得到长足的发展。
4.办公室自动化
以图像识别技术和图像数据库技术为基础的办公室自动化将付诸实用。印刷体汉字识别现已有多家成果,手写体汉字识别在2000年前可望突破。语音输入和音控设备现均在高速发展之中。口授打字,即屏编辑将把作家、教师、科技人员从爬格子编写文稿、书籍、讲义的工作中解放出来,代替以前的“剪刀十浆糊”的手稿工作并立即提供印刷样本。图像数字库使图文并茂的报表的编制成为十分愉快的工作,将秘书和档案人员的工作推向现代化。
5.图像跟踪及光学制导 
70年代以来,图像制导技术在战略武器的末制导中发挥了极大的作用,其特点是高精度与高智能化。虽然目前国际局势趋向缓和,大国之间毁灭性战斗的可能性似在减少,但局部战争与恐怖活动仍然有增无减。小巧精确的智能式战术武器是必不可少的。
以图像匹配,特别是具有“旋转、放大、平移”不变特征的智能化图像匹配与定位技术为基础的光学制导将得到进一步发展,例如,类似于毒刺、爱国者、灵巧炸弹等图像制导战术武器将会不断推出,这些地—地、地—空战术武器将改变战术作战的概念。“硅片打败钢铁”已是被海湾战争印证了的事实。
在测控技术中,“光学跟踪测控”也是最紧密的测控技术之一。
6.医用图像处理与材料分析中的图像分析系统
以“图像重迭”技术为中心的医用图像处理技术将更趋完善。以医用超声成像、X光造影成像、x光断影成像、核磁共振断层成像技术为基础的医用图像处理将实现医学界“将人体变为透明”的目标。
医疗“微观手术”使用微型外科手术器械进行血管内、脏器内的微观手术,其中一个基础就是医用图像。特制的图像内窥镜、体外x光监视和测量保证了手术中的安全和正确。不仅如此,术前的图像分析和术后的图像监测都是使手术成功的保证。
利用图像重迭技术进行无损探伤也应用在工业无损探伤和检验中。智能化的材料图像分析系统将有助于人类深入了解材料的微观性质,促进新型功能材料的诞生。
7.遥感图像处理和空间探测
以多光谱图像的综合处理和像素区的模式分类为基础的遥感图像处理是对地球的全体环境进行监控的强有力的手段。它同时可为国家计划部门提供精确、客观的各种农作物生长情况、收获估计、林业资源、地质、水文、海洋等各种宏观的调查、监测资料。
空间探测和卫星图像侦察均已成为搜集情报的常规技术。21世纪人类发射的分析空间探测火箭将到达太阳系边缘、给我们送来那遥远的太阳系姐妹行星的真正面容。
8.图像变形技术 
1941年,在经典恐怖影片《狼人》中,影片中的人物Lon chaney由人变成了狼。这一特殊技巧现在称之为“变形”。仅仅半个世纪之后,先进的数字图像处理技术就使这一古老的戏法梦想成真,逼真地呈现在人们眼前。同时,变形技术作为一种新的计算机动画的处理方式脱颖而出,成为计算机动画领域中一个崭新的分支,并成为目前国际上研究的热门课题之一。
目前,所研制的动画软件中还未包含变形处理功能,而利用变形技术,特别是三维变形技术,所描述的细节更丰富,更能很好地体现自然景观,即产生更加奇特和新颖的画面,变形技术在动画制作及画面表示方面所具有的独特效果,是开创性的,在21世纪,必将具有广泛的应用前景。
从所列举的图像技术的多方面应用及其理论基础可以看出,它们无一不涉及高科技的前沿课题,充分说明了图像技术是前沿性与基础性的有机统一。
可以预期,在21世纪出,图像技术将经历一个飞跃发展的成熟阶段,为深入人民生活创造新的文化环境,成为提高生产的自动化、智能化水平的基础科学之一。图像技术的基础性研究,特别是结合人工智能与视觉处理的新算法,从更高水平提取图像信息的丰富内涵,成为人类运算量最大、直观性最强,与现实世界直接联系的视觉和“形象思维”这一智能的模拟和复现,是一个很难而重要的任务。
 “图像技术”这一上世纪后期诞生的高科技之花,其前途是不可限量的 

第l章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..1 1.1研究的目的及意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..1 1.2图像识别概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一l 1.2.1图像的特征提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 1.2.2图像识别的方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯3 1.3深度学习的发展和研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..4 1.3.1深度学习的发展⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 1.3.2深度学习的研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯6 1.4特征学习⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..7 1.5主要研究工作及章节安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..8 1.5.1主要研究工作⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯8 1.5.2论文章节安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯8 第2章深度学习⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ll 2.1什么是深度学习⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯11 2.1.1深度学习的概念⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..1l 2.1.2浅层学习和深度学习⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..12 2.2深度学习的结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯13 2.3深度学习常用方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯14 2.3.1深度信念网络⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..14 2.3.2卷积神经网络⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..15 2.3.3卷积深度信念网络⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..15 2.3.4深度玻尔兹曼机⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..16 2.3.5栈式自动编码器⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..16 2.4 I也M⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一17 2.4.1 I心M的结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯17 V 万方数据 太原理工大学硕士研究生学位论文 2.4.2 RBM的训练⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯19 2.5 CI也M⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯21 2.6本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯23 第3章深度学习结合SVM的图像识别方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.25 3.1支持向量机⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯25 3.2数据预处理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯29 3.2.1数据归一化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..29 3.2.2白化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..30 3.2.3数据模块化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..3 1 3.3深度学习结合支持向量机的分类方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯32 3.3.1数据初始化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..32 3.3.2模型描述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一32 3.3.3训练和分类过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..33 3.3.4 MINIST数据集简介⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯35 3.4实验结果和分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯35 3.4.1样本数、节点数、层数的影响⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一36 3.4.2 SVM参数的影响⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯38 3.5本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4l 第4章改进的CDBN用于图像识别⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯43 4.1无监督预训练⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯43 4.2交替进行无监督和有监督学习的基本思想⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯43 4.3卷积和池化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯44 4.4 So胁ax分类器⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.45 4.5基于改进的深度网络的图像识别⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯46 4.5.1模型描述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一46 4.5.2 Cifar-10数据集简介⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯47
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值