数字图像处理

数字图像处理方法的研究源于两个主要应用领域（1）对图像信息进行改进
（2）用机器自动理解图像

现有的图像分割的方法有许多种，有阈值分割方法，边缘检测方法，区域提取方法，结合特定理论工具的分割方法等。从图像的类型来分有:灰度图像分割、彩色图像分割和纹理图像分割等

图像识别是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。

(1)模板匹配模型

这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A，如果在脑中有个A模板，字母A的大小、方位、形状都与这个A模板完全一致，字母A就被识别了。这个模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如，人们不仅能识别某一个具体的字母A，也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时，人能识别的图像是大量的，如果所识别的每一个图像在脑中都有一个相应的模板，也是不可能的。

(2)原型匹配模型

为了解决模板匹配模型存在的问题，格式塔心理学家又提出了一个原型匹配模型。这种模型认为，在长时记忆中存储的并不是所要识别的无数个模板，而是图像的某些"相似性"。从图像中抽象出来的"相似性"就可作为原型，拿它来检验所要识别的图像。如果能找到一个相似的原型，这个图像也就被识别了。这种模型从神经上和记忆探寻的过程上来看，都比模板匹配模型更适宜，而且还能说明对一些不规则的，但某些方面与原型相似的图像的识别。但是，这种模型没有说明人是怎样对相似的刺激进行辨别和加工的，它也难以在计算机程序中得到实现。因此又有人提出了一个更复杂的模型，即"泛魔"识别模型。

一般工业使用中，采用工业相机拍摄图片，然后利用软件根据图片灰阶差做处理后识别出有用信息，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。

主要图像识别方法

折叠神经网络图像识别系统
人工神经网络方法实现模式识别，可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，神经网络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类还不够多，神经网络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。

神经网络的图像识别系统是神经网络模式识别系统的一种，原理是一致的。一般神经网络图像识别系统由预处理，特征提取和神经网络分类器组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。神经网络图像识别系统中的特征提取部分不一定存在，这样就分为两大类:

①有特征提取部分的:这一类系统实际上是传统方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别目标图像。特征提取必须能反应整个图像的特征。但它的抗干扰能力不如第2类。

②无特征提取部分的:省去特征抽取，整副图像直接作为神经网络的输入，这种方式下，系统的神经网络结构的复杂度大大增加了，输入模式维数的增加导致了网络规模的庞大。此外，神经网络结构需要完全自己消除模式变形的影响。但是网络的抗干扰性能好，识别率高。

当BP网用于分类时，首先要选择各类的样本进行训练，每类样本的个数要近似相等。其原因在于一方面防止训练后网络对样本多的类别响应过于敏感，而对样本数少的类别不敏感。另一方面可以大幅度提高训练速度，避免网络陷入局部最小点 。

折叠基于小波矩的图像识别方法
将输入二维二值图像的不变矩作为识别特征，运用BP网络进行识别，将输入图像经过归一化处理，极坐标化，旋转不变小波矩特征提取后，送入BP网络分类器进行识别，获得识别结果。

基于小波矩的图像识别方法的特点如下:

(1)小波矩特征对具有平移、缩放和旋转的样本具有良好的分辨能力，在未加噪声的情况下，小波矩特征都能正确分辨测试样本，识别率优于几何矩，差距达到30个百分点。

(2)随着添加随机噪声，两种矩特征的识别率都有所下降，但由于小波矩具有较好的提取图像局部特征能力，所以小波矩的识别率下降相对缓慢.最高正确识别率达到98%。

(3)小波矩特征较为稳定。几何矩的分辨能力有时不能随着特征数的增加而稳定，这样需要较多的分辨特征的情况下是不利的。而小波矩虽然也有一定波动，但波动幅度有限，其判别精度整体为稳定增加趋势 。

折叠基于分形特征的红外图像识别方法
一般认为:自然纹理图像满足分形特性，可以提取其分形特征以供进一步的纹理分割、目标识别等，而人造目标图像是不满足分形特性的，不可以提取其分形特征。基于分形特征的红外图像识别方法步骤如下:

(1)红外图像预处理

由于探测器本身固有的特性，红外热图像普遍存在目标与背景对比度较差，图像边缘模糊，噪声较大等缺点，因此必须进行预处理，以增强其对比度。

(2)红外图像分形特征提取

分别提取提取基于分形维数的特征、基于Hurst指数的分形特征、基于缝隙(lacunarity)的分形特征。

(3)基于神经网络的红外图像识别

人工神经网络是进行目标识别(包括图像识别)的强有力工具。它通过对原始数据的训练，获得最佳的权系数，取得很好的识别结果 。