Page 165 - 基于人工智能的图像识别技术研究

第三章 人工智能与图像识别

后续过程中的算法运行效率。首先是噪声消除环节，此过程一般由各种滤波环节

组成，如均值滤波、中值滤波等，均值滤波也叫做线性滤波，其主要原理是利用
图像的灰度连续性，将图像的每个像素看成由周围若干个像素平均而成的结果，
这样图像中所含的噪声便被平均，而中值滤波则是基于统计理论而得来的一种滤
波模式。图像经过噪声消除后，经过二值化（将输入图像转化为可以解算的二值

化图像）后，进行图像分割处理。图像分割旨在将原图的识别部分和非识别部分
分开，在很多场合，所需识别的图像只是整幅图像中的一部分，所以在进行识别
之前将识别区域分割开来。一般分割方法包括普通分割、语义分割和实例分割，

其中基于Kmeans方法体现了很强的智能性，是一种可自动完成归类的人工智能
方法。
3.特征提取
图像特征是指在特定识别任务下，将图像中所含的各种信息转化为便于计算

机处理的特征向量，特征可以看作是一幅图片的信息浓缩，是图像识别中的最为
重要信息。不同的图像可以有不同类别的特征，从不同的粒度上出发，特征可以
分为低级和高级特征，其中低级特征也叫作浅层特征，一般是一些比较边缘的像

素特征或者图像中的简单尺寸信息；而高级特征也叫作结构性特征或全局特征，
则是更加复杂和相互关联的特征，更能有效地辨识图像中的对象。低级特征一般
包括形状、颜色、纹理、尺寸信息等，这些特征信息不存在相互耦合性，并且复

杂度很低，既可以用来直接识别图像，又可以组成高级特征。在进行特征提取的
过程中，必须对特征进行过滤，利用特定的算法在保留真实特征的同时去掉无用
特征。

4.图像识别
经过特征提取后，图像的所有信息都转化为一系列的特征向量，图像识别也
就是对未识别图像的特征向量进行识别的过程。一般的计算机视觉系统都需要在
短时间内对图像做出快速的反应，而且需要将未知图片与成千上万的数据库图像

相比对，当图像含有复杂的特征时，这个过程对计算机的硬件和软件都提出了较
高的要求。目前常用的图像识别方法有模板匹配法、贝叶斯法、神经网络方法、
强化学习方法等，其中大多数方法都基于或是借鉴自人工智能方法，需要根据具

体的图像识别任务来确定具体的图像匹配方法，目前还没有一种通用最佳的方法
（见图3-3）。

157