計算機智能化圖像識別技術研究綜述

趙佩佩

關鍵詞：計算機；智能化；圖像識別技術；原理；應用

中圖分類號：TP3 文獻標識碼：A

文章編號：1009-3044（2023）21-0109-03

計算機智能化圖像識別技術在日常生活中具有極高的應用頻率，目前已得到交通、安防、軍事等諸多領域的應用。該項技術以計算機系統為基礎，對圖像進行一系列的處理操作，能夠識別多種不同模式的目標與對象。新形勢下，隨著計算機技術的高速發展，智能化圖像識別技術的應用水平也在不斷提高，能幫助人們更為高效便捷地獲取所需信息，提升人們決策和思考效率。計算機智能化圖像識別技術已應用于我國諸多行業領域，發展迅速，進一步加強相關技術研究具有重要現實意義。

1 計算機智能化圖像識別技術

1.1 概述

識別技術是一種綜合性技術，充分融合計算機技術、識別技術及智能化技術的優勢，將輸入于計算機系統的圖像圖形信息轉化為系統能夠識別的數字信號，實現對多源數據信息的高效處理，將其轉化為具有特征的信息，再進行匹配、分類，最終實現識別處理目標，該項技術的運用能夠顯著提高圖像處理質量和效率[1]。其應用流程可簡要概括為圖像輸入、圖像預處理、提取特征、圖像分類、圖像匹配五個環節。在初始發展階段，計算機識別技術只能對一些較為簡單的數字、文字信息處理，難以有效識別和處理復雜的圖像信息，隨著技術水平的不斷提高，逐漸能夠對一些簡要、特征單一的圖像信息進行識別處理，目前該技術的智能化水平已顯著提高，能夠實現對一些復雜的二維、三維圖像進行有效識別處理。

計算機圖像識別技術對圖像的識別與人類感官類似，但是前者的識別能力更強、更高效。如指紋識別、面部識別、條形碼識別等，均為日常生活中計算機識別技術的應用體現，為人們生活帶來了諸多便利。計算機圖像識別技術既針對簡單且普遍應用的技術，如智能手機的面部、指紋識別等，能夠避免煩瑣操作，有效提高使用效率；也針對一些高端識別的技術，即使物體位置、角度、距離等發生變化，仍可有效識別處理，確保最終判斷結果的正確。

1.2 形式和類型

目前，計算機智能化圖像識別技術中最常用的為基于神經網絡的圖像識別技術和基于非線性降維的圖像識別技術[2]。前者采用神經網絡算法，是人類采用人工模擬動物神經網絡方式的一種神經網絡。在神經網絡的圖像識別技術中，目前遺傳算法結合BP 神經網絡是最常用的一種模型，已在諸多領域應用[3]。如智能汽車監控系統中的拍照識別技術，當其他汽車從該位置經過，檢測設備能夠及時反應并發出預警信息，同時啟動圖像采集裝置，獲取汽車的特征圖像，而針對車牌字符的識別，便采用了神經網絡與模糊匹配兩種算法。基于非線性降維的圖像識別技術屬于一種基于高維形式的識別技術，無論圖片分辨率大小，生成的數據均具有多維性的特征，所以實際識別的難度較大。為了提高圖像識別性能，可采用隨圖像降維方法進行識別。大多數情況下，將降維劃分為非線性和線性兩種形式，例如常用的線性降維便是主元分析（PCA） 和線性奇異分析（LDA） 等，具有簡單、容易理解等優勢，運用線性降維方式對數據集合進行處理，所獲得的投影圖形使該數據集合的低維效果理想。實踐表明，采用這一線性降維策略具有一定的復雜性，且時間、空間等資源消耗嚴重，因此非線性降維的識別技術應運而生，該項技術采用非線性特征的提取方法，該方法能夠在不破壞圖像原有結構的基礎上發現非線性結構，同時在低緯度也能夠有效識別圖像信息，效果確切。而人臉圖像識別系統多適用于高維數的識別，對計算機而言，其復雜性的提高必然導致處理難度增加。此外，統計識別、句法識別等也是計算機圖像識別技術的常用類型。

1.3 特征

圖像本身蘊含豐富的數據信息，識別時需對其信息數據進行比對分析，因此需要處理海量的數據。計算機智能化圖像識別技術相較于常規識別技術更具優勢，能夠提高識別信息的精確性，使獲取結果更接近真實情況，同時圖像不易受到外界環境因素的影響，提高其抗干擾性能。隨著科技水平的提高，計算機圖像識別技術的應用也更為靈活，在圖像處理、轉換方面更為高效便捷，識別精確性明顯提高[4]。

1.4 實現過程

圖像識別的實現主要環節包括預處理-壓縮處理-提取處理。上述環節中，預處理是計算機圖像識別技術應用中最關鍵的一環，也是最為復雜、困難的一環。預處理時需要將一些沒有價值的數據信息去除，保留有價值信息，去除過程極易影響整體識別效果。圖像信息的預處理方法較多，如灰度化處理、二值化處理等。灰度化處理能夠結合實際需求，將圖像中像素的灰度值按照相應公式進行處理，以保證成像效果[5]。二值化處理是一種操作便捷的預處理方法，將圖像中像素的灰度值設置在相應區間，使圖像呈現效果為黑與白。去噪處理、輪廓提取也是常用的預處理手段，其中前者能夠去除噪聲等干擾信息，更加突出圖像內容；后者注重目標圖像邊緣輪廓信息，能夠通過其外觀、形狀或邊緣特征分析圖像信息。

壓縮處理是使用計算機圖像識別技術的主要環節，能夠實現對圖像多余信息的壓縮與刪減，在不影響可識別性的基礎上減少圖像占用空間，便于后期存儲和傳輸。圖像提取的目的在于對圖像的主要特征點進行提取，如形狀、顏色、紋理及空間位置等[6]。

圖像特征的提取主要指在模式識別的過程中提取及選擇圖像特征，針對不同圖像的不同特點，計算機采用相應的方式進行分離，提取可以區分的圖像特征。提取特征是否有效決定后續圖像能否被成功識別。

1.5 應用優勢

1） 精確性。過往，傳統計算機識別技術受到技術因素的限制，只能夠對模擬圖像進行處理，將其轉化為二維數組，而智能化圖像識別技術能夠將圖像的像素轉化為32位，大大提升了圖像識別處理的精確度。

2） 表現性。使用智能化圖像識別技術時，能夠全面分析對圖像處理造成影響的相關因素，如圖像在系統中的存儲情況、實際輸入中存在的故障問題等，及時消除相關影響因素，實現對圖像的精準再現與還原，確保圖像通過智能化技術識別、處理后，像素等多個方面具有良好的表現性。

3） 靈活性。智能化圖像識別技術對圖像信息進行處理時，可以根據圖像實際對其進行放大處理。圖像信息源于多個方面，無論是何種類型的信息均能夠在系統中進行有效識別和處理，并根據數據類型、性質對圖像信息進行線性或非線性處理[7]。針對不同圖像信息進行編碼操作后，能夠在系統中顯示圖像的灰度值，直觀、清晰地顯示圖像信息。

2 存在問題及解決對策

目前，計算機智能化圖像識別技術已在各領域廣泛應用，但從整體上看，該項技術的應用、研究仍處于初期發展階段，諸多重點技術尚未突破瓶頸。投入應用的絕大多數識別技術只能夠實現對簡單圖像的識別處理，面對一些復雜圖像，需要識別處理的數據信息較多時，往往效率不高，識別準確性不佳。技術水平不高的主要因素之一為計算機軟硬件設備、設施尚不完善，對復雜圖像信息進行識別時，計算機系統的運行處理速度難以滿足實際需求，從而導致圖像識別處理效率較低，精確度不佳。

針對時下常用的機器學習方法，尤其是以深度神經網絡為基礎的先進學習方法，已得到人臉識別、自動駕駛、機器人圖像識別等諸多領域的應用，取得明顯成效。一些先進的技術甚至能夠超出目前人類的識別水平，但是在深度學習取得明顯成效的同時，將其應用于實際卻存在諸多困難。首先，數據標注方面存在問題，現如今深度學習方法需要運用大量的標注數據進行訓練，但是實際上數據的獲取難度大，不僅包括個人隱私相關問題，如人臉數據等，同時問題對象本身數量較少，例如對珍稀保護動物的識別等。另外，數據標注工作耗時較長，需要消耗大量的精力和人力物力，因此對其在圖像識別領域的高效應用造成嚴重阻礙。其次，算力問題。深度學習方法雖然能夠提高算法性能，但是其網絡運算量龐大，因此將其部署在計算資源受限的設備上存在較大難度，所以針對一些算力具有局限性的應用場景，如機器人、路面監控、自動駕駛等，圖像識別仍需要一些智能化水平較低、算力消耗較低的技術完成，對智能化圖像識別技術的發展造成嚴重阻礙。

解決對策：積極開發計算機軟硬件設備、設施，采用先進的計算機系統為識別技術的應用提供保障。同時，技術研究的重點應逐漸由二維圖像延伸至三維圖像，未來發展至多維圖像。通過技術創新，減少圖像質量、環境等因素對識別技術應用的影響，進而有效提高識別效率和質量。

3 計算機智能化圖像識別技術的應用

3.1 交通領域

計算機智能化圖像識別技術應用于交通領域，能夠有效檢測并識別路況信息及周圍車輛信息。因為道路建設工作的持續開展，很多駕駛人員不了解路況，難以及時準確地到達目的地，而計算機智能化圖像識別技術能夠為其提供實時的路況信息，幫助指引方向，確保駕駛安全性。該項技術不但能夠檢測道路信息，還能夠檢測周圍車輛，判斷車輛是否存在超速違規等情況，并及時處理相關問題，為道路的暢通運行提供保障。

3.2 醫學領域

隨著醫療技術水平的提高，我國醫療行業發展迅速，越來越多的先進器械、設備中采用了計算機智能化圖像識別技術。例如影像學檢查過程中，醫生能夠獲取全面、直觀、清晰的影像學圖像；再比如微創手術采用的導航技術、CT技術等，醫生能夠通過圖像清晰、直觀地了解患者病情，進行針對性治療，保證治療效果。目前，醫院心電圖、彩超等影像學分析均采用計算機智能化圖像識別技術，取得明顯成效。

3.3 安防領域

計算機智能化圖像識別技術應用于安防領域，能夠有效避免人為因素導致的疏漏問題，其更為精準、全面。目前視頻監控系統應用廣泛，分布復雜，人工分析處理不僅效率低下，還需要投入大量的人力、物力，受到人為因素的影響極易導致一些關鍵信息的疏漏、遺失。而通過運用計算機智能化圖像識別技術，能夠實現對圖像信息的一體化識別、處理，運用計算機系統全面收集圖像信息，提取信息特征，精確性更高，有效減少工作人員的工作量，提高工作效率。另外，相關信息能夠為事故鑒定提供重要依據。

對安防監控行業而言，近年來AI從云端向邊緣（終端設備）轉移的現象逐漸明顯。以具有AI智能識別技術的網絡攝像機（以下簡稱AI攝像機）為例，早期，監控環境中的許多突發情況往往超出了AI攝像機數據庫和算法可以處理的范圍，即使后端圖像數據庫得到擴展，仍然無法覆蓋所有方面，缺乏實時性。當相機內置AI芯片后，無論是智能識別還是自學習能力都大大提高，不僅降低了誤判率甚至超過了人眼可以識別的能力，而且可以更實時、更全面地應對各種突發情況。

3.4 農業領域

農業是國民經濟發展的重要基礎，在我國發展體系中占據重要的地位，糧食產量對農業發展有直接影響，因此提高糧食產量始終是重點研究問題。先進科技在人們日常生產、生活中得到廣泛應用，智慧農業實現農業與智能化、自動化科技的有效融合，推動其可持續發展。通過采用計算機智能化圖像識別技術，能夠實時分析植物、作物的生長情況，或者對病蟲害進行分析，實現對種植情況的全景監控，另外也可以用于農產品的質檢中，由此取得明顯成效[8]。

3.5 文藝領域

智能化圖像識別技術在文藝領域中的應用主要體現在圖像等的識別處理，體現其藝術性。通過智能化識別系統有效過濾無價值信息，確保信息的匹配性。同時，能夠按照相應美學原理，合理調整圖像色彩，提高其審美價值，強化人們的視覺體驗。

4 結束語

綜上所述，目前智能化圖像識別技術在我國諸多領域已得到廣泛應用，但是該項技術仍存在一定不足，未來應加大技術創新力度，持續深入研究，不斷提高技術應用水平，擴大應用范圍。