圖像處理與識別技術的發展及應用

陸佳艷

（天津職業技術師范大學，天津 300222）

目前圖像抓取遇到短暫瓶頸，為理清大數據在圖像技術概念下實踐性差異的邏輯意義，以人臉識別為研究對象的智能監控等關鍵性技術應運而生，基于實現系統中的借鑒意義，類似醫學圖像處理的環節將被同樣納入技術檢測范圍。

1 識別語境與特征

數字語境中所涉及的代表性算法語言，以代碼增強分割為主線，系統對接程序路徑，將圖形和影像歸于處理模擬半導體容量存儲技術和幀顯切口，為識別技術發展提供基石。深度識別領域對計算機視覺認定、機器語言學習及開源技術，尤其是AI方向的強數據語言處理功能，提供了復雜的運算支持，使其在關鍵應用場景下高分辨率和實時運算效率的深度學習模型得以實現。

1.1 分割傳統

作為傳統視覺研究一項難題，圖像分割已成為圖像理解領域關注的焦點，視覺基礎成為圖像理解的內核。對于灰度圖像區域，其內部呈像掃描一般具有相似不連續性。分割技術因問題重要及困難程度，采取不同門徑的質檢形式，把傳統數據學習利用的環境拓撲計算等運籌方法進行演繹，隨算力增加及語境發展，效果上與以往已不可同日而語。

1.1.1 基于閾值

閾值基于圖像一個或多個灰度特征計算，將多個像素數值進行比較，最終確定關鍵準則，以求解函數最佳閾值。目標和背景占據不同范圍的圖像只需要選取單一閾值分割；如果圖像有多個目標需要提取，就需要選取多個閾值隔開。基于閾值的方法具有以下特點：計算效率簡單高效；空間降噪素點偏低，魯棒性較弱。閾值選擇最關鍵就在于將智能遺傳算法應用到篩選分割圖像之上，基于圖像識別和技術處理加以指正。

1.1.2 基于區域

直接尋找分割區域，基于提取形式合并形成所需全局切割區域。如代表生長像素的鄰域將添加符合機器學習的手寫方法應用到關鍵合理的準則之中。算法經常需要解決區域分合問題，而區域逆過程從整幅圖像出發，不斷實現提取。例如，四叉樹分解法中的邊界圖像分割效果在實際應用中通常是基于使用物體定義的場景等先驗知識不足的情況使用。分水嶺算法卻可根據構成考慮分割現實想象，基于拓撲學的數形方法，把圖像測地學中像素的灰度值表示為高度，局部極值及影響稱為盆區，而邊界部分則形成分水嶺。通過模擬穿孔、模型加深擴展，在集水處構筑形成。微弱邊緣良好響應圖像噪聲、物體微表變化產生分割現象，同時保證圖像特征封閉連續。

1.1.3 基于邊界

邊界檢測圖像分割試圖通過不同區域解決問題。通過圖片空間變換到頻域，即邊緣對應高頻的部分，將檢測并行微分像素值的不連續性采用階導法提出基于曲面擬合、擴散反應等概念、證明了大量碎片難以形成高細節度的、非完整意義上的圖像分割過程就是邊緣信息獲取后續處理的結合任務研究。初始自適層次以及重要邊界被假性剔除。

1.1.4 基于特定工具

類似于微波分析變換、遺傳圖像分割及輪廓模型等特定方法，早在谷歌計算機視覺模擬識別大會上就公布其運用的相關技術產品。基于開源跨平臺技術框架，構建多模應用的機器處理模態，憑借幀圖識別點位，如APP與PC中的感知數據。

1.2 定義未來

AI智能核心課題即圖像識別，從機器學習研究角度看智能方向，但識別問題在于定位中被叫作圖像檢測或是物體分類用途的情況，如無人駕駛攝像輔助，識別場景包括車道、標識及障礙物等，可讓出行方便輕松。

1.2.1 識別難點

圖像識別的難點就在于其多位視點，物體拍照因視點不同，外觀也會不一，包括尺度中近大遠小般的識別；光影變化一向是視覺圖像特別注意的又一個問題，不同光影下判若兩人；背景復雜的難點在于尋找的過程；遮擋的難點在于圖片的復雜性；而變形如柔體運動變形，圖像表現各異。

1.2.2 發展路線

從基本問題著手，利用工具檢測和識別規范形狀、幾何組合。根據外觀且不考慮識別物體結構，如人臉檢測。除了人臉識別研究，手寫識別的成果不容忽視。此外汽車檢測、指紋識別、文字光學字符識別（Optical Character Recognition，OCR）等研究工作已發展到產品化階段，與此同時，相關學者用新思路做圖設計學習框架，希望圖像識別借鑒文本分析，采用“詞袋”方法，在自然語言處理中對文本分類。

2 處理轉化與意義

2.1 數字化處理探究

超大集成電路伴隨計算機技術得以迅速發展。圖像處理技術在噴氣推進實驗中首次被引入，最初是對空間照片的處理，如校正、去噪等。其中，圖片深度處理技術為后續登月計劃打下堅實基礎。進入20世紀中期，計算機視覺給數字圖像技術提供了發展沃土，人類著手進行數據處理、提煉圖像信息，并進一步運用分析。自此，視覺計算理論走向機器視覺領域，大批量處理圖像數據衍生出多種讀取方式。20世紀90年代末期，圖像處理技術迎來發展高潮，如小波理論的完善與進步。2020年，諸多應用科學技術得到了前所未有的重視，圖像處理也拓展了其內在業務[1]。

2.2 新型技術研究內容

傅里葉變換、離散余弦變換等圖像變換處理方式，可逐步消除因壓縮過載圖像而帶來的運算遲滯；小波變換在圖像細節處理中被大量應用。編碼壓縮因占用大量空間而增加讀寫時間的數字圖像，能有效減少處理時間；此外，目前較為成熟的處理方法是非失真或失真壓縮可有效還原圖像信息；圖像增強一般以提高圖像質量凸顯關注因素。新型技術在圖像處理中除了上述的幾種模式外，其處理特點同樣值得深究，如圖像處理的重現性好、分辨率高、使用范圍廣、可靈活處理、壓縮空間大等特點。

2.3 應用識別處理意義

2.3.1 個體應用代表：汽車與字符

（1）在現代汽車電子圖像技術應用發展背景下，為改善汽車綜合性能，環保、舒適等未來發展的自動駕駛構想成為智能運輸系統發展研究的技術引擎。例如，防抱死微處理車載傳感器和依據熱源圖像表盤算法的變速點火控制裝置的不斷完善與進步，采用現代圖像技術可以解決工業發展所面臨的諸多技術難題。汽車工業以現代電子技術為動力，把電子化進程革命看作是衡量現代影像技術水平的重要標志[2]。

（2）互聯網信息爆炸，圖情世界不斷充盈。為保障信息秩序，監控現存內容的增長態勢，讓支持多格式圖像讀取的輿情識別軟件開發工具包（Software Development Kit，SDK）能夠定位識別文字等信息。對字幕版面模式在圖像處理類型較多的文本信息，如印刷手寫等信息處理上覆蓋全部；在處理圖像信息過程中，將識別對象予以編號，以阿拉伯數字居多；跟蹤匹配或表情分析在光照補償和面部特征提取過程中的身份背調。

2.3.2 生物醫學應用

生物醫學領域圖像小到微細胞邊緣，大到骨裂手術應用，在口腔疾病治療中越發凸顯其實用價值。例如，齲病在進行早期預療識別時，圖像檢測系統可針對其一定程度的危害性，有效做出預判。如新冠疫情期間，現代細胞圖像識別技術主要圍繞疾病治療的課題，有效避免出現臨床醫學在診療時難以實現準確病癥判斷（尤其是疑難雜癥看診中）的問題。為了解患者恢復情況，觀察并分析顯微設備對細胞識別區域內的典型性圖像，及時確定發病原因和主要病灶位置[3]。此外，數字圖像醫學輔助應用在常見的超聲影像、X射線技術和遺產序列分析等診療技術也同樣適用。由此得出，圖像處理應用對醫療技術水平的提升具有促進作用。

3 前景：小數據，大施展

利用深度學習，通過大量標注在各種任務中的現有技術，在小數據情景中通常作為如家庭機器人等虛擬掛件，新物體很自然地完成操作，賦予擬人泛化能力，但大規模數據的關鍵在于出錯成本廉價。因此，微時代可創造數以億計的小數據圖標，通過建模呈現出極高的收益價值[4]。

（1）圖像場景理解。從場景感知到對現實世界的認知除了與訓練數據相關的泛化能力外，人類還可推斷物聯關系的場景布局，獲得交互應用以外的信息。（2）自動化網絡制圖。處理參數和設計選擇圖像識別領域的重心，轉向自動更新神經網絡架構的檢索研究，但仍處于早期，且僅適于圖像分類的搜索APP，市場依舊非常狹窄。（3）智能識別映射處理。分辯關鍵目標物體，如用于安防的計算機數據過濾系統。排除干擾信息并自動抽取來源圖像，涵蓋智能學習效果。

4 結語

基于計算機圖像識別技術的研究對于未來視覺傳媒技術產業有著更大的發展潛力，但也正是因為這樣，圖像識別與處理技術才有其私密防護性意義，如何更好地在公基建設領域發揮其效用，尚需業界用實踐來回答。