尹洪岩 宋磊 张春波

摘 要：本文主要对计算机智能图像识别的算法进行深入分析，并以此为基础深入探讨计算机智能图像识别技术的应用特点与过程，希望可以不断扩大计算机智能图像识别技术的应用范围，进而创造出更大的社会价值。

关键词：计算机;智能图像识别;算法分析;技术应用

中图分类号：TP391.41 文献标识码：A DOI：10.3969/j.issn.1003-6970.2021.03.048

本文著录格式：尹洪岩，宋磊，张春波.基于计算机智能图像识别的算法与技术研究[J].软件，2021，42（03）：165-167+183

Research on Algorithms and Technologies Based on Computer Intelligent Image Recognition

YIN Hongyan， SONG Lei， ZHANG Chunbo

（Harbin Vocational & Technical College， Harbin  Heilongjiang  150086）

【Abstract】：This article mainly conducts an in-depth analysis of the computer intelligent image recognition algorithm， and on this basis， in-depth discussion of the application characteristics and process of computer intelligent image recognition technology， hoping to continue to expand the application scope of computer intelligent image recognition technology， and then create greater social value.

【Key words】：computer;intelligent image recognition;analysis of algorithms;technology application

0 引言

計算机智能图像识别技术可以深入分析图像的本质特征，并可以在识别图像的过程中获取图像的数据信息，已经在众多领域起到较好的应用效果。对计算机智能图像的识别算法与识别技术进行深入分析，还可以有效提高智能图像识别技术的应用质量，进而实现大范围推广。基于计算机的智能图像识别技术具有精度高、信息量大等特点，无论是在信息的采集、处理，还是信息的边缘提取，都能发挥出重要作用。所以技术人员需要不断优化计算机智能图像识别的算法与技术，促使其能够在更多领域创造出更大价值。

1 图像识别技术的原理分析

图像识别技术是一种十分热门的前沿技术，在图像识别技术的支持下，过去很多难以解决的问题都可迎刃而解。计算机系统需要对图像进行细致的分析和处理，进而收集到详细的信息，以此来完成图像识别。计算机智能图像识别技术就是通过计算机判断图像的具体特征，然后在这些特征数据信息的帮助下完成对图像的分析，因为在计算机系统中已经存储了大量的图片信息，所以计算机只需要将数据库中的信息与被处理图片的信息进行对比，就可完成对图像的精准识别。通俗的说，就是计算机需要以图像的特征为基础信息进而完成图像识别，这种技术类似于人眼识别图像，都需要利用内部的存储信息对图像进行判断，计算机智能图像识别技术在应用过程中，与人眼识别的过程相类似。科学家通过大量研究得出：人眼在识别图像时，最先关注的一定是图像的显著特征，例如在观看到一座陌生的建筑时，人的眼睛首先会观察到此座建筑物与其他建筑物的区别之处，诸如形状、高度、标志、弧度等，在抓住显著特征之后才会仔细观察与其他建筑物的共性特点。而计算机智能图像识别技术在应用过程中也需要判断出图像的显著特征，因为在图像中有着众多的信息要素，如果计算机系统对这些要素进行一一识别，不仅会浪费大量时间，同时也会影响计算机的识别速度[1]。而基于主要信息的计算机智能识别技术，在识别过程中可不断提高对特殊要素的认知能力，并可以对重要信息进行存储，进而促使图像识别技术更加智能。

2 计算机智能图像识别技术的发展现状

计算机智能图像识别技术已经实现了由文本图像到数字图像的过渡，对数字图像进行识别，可以最大程度的保证信息的完整性和真实性，为各个领域的图像处理提供了更加实用的方法。现如今计算机智能图像识别技术已经广泛应用在宏观事物和微观事物的识别中，例如，在生物研究领域，技术人员可以在此项技术的帮助下对人体病毒细菌进行深入研究;在交通领域，管理部门可以在此项技术的帮助下建立更加全面的交通监控网络，进而让车辆信息的获取变得更加容易;在进行城市规划时，技术人员也可以充分利用智能图像识别技术来对城市的布局图像进行获取，以此来对城市的道路规划、功能区建设进行具体分析。但是现如今随着计算机水平的不断进步，计算机智能图像识别技术也有着很大的上升空间，社会的各个行业对于图像的识别精度、识别速度也有着更高要求。因为在对图像进行识别的过程中，计算机需要处理十分庞大的数据，所以若想提高识别精度和识别速度，技术人员就一定要加大图像的特征提取、去除冗余信息等方面的研究力度，促使图像智能识别技术的更好应用。

3 计算机智能图像识别的算法分析

计算机智能图像识别在人工智能领域发挥着重要作用，能够精准的识别不同的对象与目标。现如今在人工智能领域最主要的智能图像识别算法不外乎以下两种：Hu不变矩算法与D-S证据推理算法等。

3.1 Hu不变矩算法

在智能图像的识别算法中，Hu不变矩算法是最早应用的算法之一，可以追溯到上世纪60年代初。算法原理是以图像中的低阶节归一化中心矩的非线性组合构成七个变量值，主要的算法过程如下所示：

用f（x，y）表示二维的数字图像，那么可将图像的阶矩定义为：

定义（p+q）阶中心距为：μpq=∑x∑y（x-x0）p（y-y0）q f（x，y），其中。

二维图像的质心坐标（x0，y0），其中x0为水平方向上灰质的质心，y0则代表垂直方向上灰质的质心。然后定义（p+q）阶归一化中心矩：

其中，r=（p+q+2）/2，p+q=2，3，L。

3.2 D-S证据推理算法

在本质上来说，计算机智能图像识别技术是一种多源信息处理技术，需要对数据进行融合才能完成信息处理。D-S证据推理算法在的应用原理是需要建立在非空集合Θ上，其中非空集合Θ又被称之为鉴别框架，进而来描述假设空间的元素集合[2]，此框架对元素具有一定要求，要求元素之间应当互相排斥，通常用2Θ来表示由Θ的子集所构成的幂集，然后在幂集中定义信任指派函数：m（A）→[0，1]，其中A表示框架中的任意一个子集，m（A）主要代表证据对A的支持程度，这也就说明m（A）必须满足如下条件：m（?）=0，∑（A∈2Θ）m（A）=1，可以用信任函数Bel（A）=∑（B∈A）m（B）来表示对A的总信任度。在结合一定的组合规则，技术人员就可以得到两个或两个以上的置信函数，然后利用正交和计算出新的置信函数。

4 计算机智能图像识别的技术分析

在人工智能领域，智能图像识别技术有着十分重要的应用，能够对各类图像进行更加精准的识别。计算机智能图像识别技术在应用过程中，首先需要在计算机系统中输入将要被识别的图像，然后利用相应软件对图像进行分析，进而提取图像的特点，完成图像分类。预处理是计算机智能图像识别技术的关键步骤，预处理效果与图像识别效果成正比关系。在预处理过程中，计算机系统首先会将图像与背景图分离，然后整体细化图像的二值化，为后期的图像处理奠定基础，最大程度的保证图像的真实性，降低图像中的虚假成分，对后期的图像处理提供更加精准的数据[3]。

4.1 优势分析

（1）计算机智能图像识别技术能够产生更多的信息量。需要识别的图像经过计算机系统的处理，就会在系统内部产生大量的二维信息，但是如果此时计算机的配置与运行速度无法满足持续增多的二维信息的运算要求，那么计算机系统的运行能力就会受到限制。智能图像识别在处理图像的过程中，可以按照图像的传输进行识别，不仅能够产生更多的信息量，同时也可保证信息量的及时传递，不会为计算机系统的运行带来影响。

（2）计算机智能图像识别技术的精度更高。传统的图像处理技术在处理过程中通常是将图像转化成数字信息，所以也只能得到二维数的组合，这也就造成图像的像素大多数小于32位，如果二维数超过32位，那么将超出技术的应用范围，也就不能完成对图像的处理。而计算机智能图像识别技术在获取图像信息时，可有效提高信息精度，进而满足不同用户的需求。与此同时，智能图像识别技术还可以精准处理信息与图像的关系，并最大程度的保证信息完整[4]。而且智能图像处理技术几乎能够对所有的图像进行还原处理，因此应用范围十分广泛。

（3）计算机智能图像识别技术有着更强的关联性。传统的图像处理技术需要利用计算机系统，对需要处理的图像进行智能化识别，在这一过程中计算机系统需要具体分析不同图像的特点，同时将图像压缩，然后才能获取图像的本质信息，并以信息特點的依据对图像进行分类，从而进行像素匹配。如果输入的图像为3D图像，那么计算机系统就无法精准识别三维几何图像，需要重新测量，然后利用技术人员的经验进行关联性假设，进而获得需要的数据信息。在计算机智能图像识别技术下，计算机可以直接引导3D景物，具有更强的关联性，可有效解决3D图像无法精准获得的问题。

（4）计算机智能图像识别技术有着更高的灵活性。在处理图像时，计算机智能图像识别技术可以放大图像，因此具有更高的灵活性，可有效处理各类复杂的图形，例如天体图、细胞图等。而且通过技术的线性与非线性组合，图像处理所获得的数据将更加完整，再经过编制后可有效除提高图像清晰度。

4.2 计算机智能图像的识别过程

（1）需要完成图像的采集并进行预处理。通常情况来说，计算机智能图像识别技术在应用过程中，不仅一些外在因素会影响识别效果，图像本身的特性也会产生大小不一的影响。所以在图像采集输入过程中，需要结合多种目的全面采集图像信息，争取在获得更加完整信息的同时进一步提高信息的准确性。这也就要求技术人员在对图像进行具体识别之前，一定要对图像进行预先处理，图像的预处理是整个图像识别过程的基础，甚至直接决定着图像识别的可靠性[5]。

（2）图像的边缘提取。图像的边缘包含了图像识别过程中所需要的大量信息，所谓的图像边缘，就是指图像的颜色和亮度在某个方向上的变化组合。为了进一步提高图像识别的效果，技术人员在识别图像之前需要有效提取图像的边缘信息。小波变换法、空间梯度法是目前最常用的边缘提取方法，每种方法都有各自的优势和缺点。例如空间梯度法虽然具有更快的提取速度，但是提取过程并不稳定，很容易受外界因素干扰，因此无法有效保证提取效果;小波变换法虽然具有更高的识别精度，提取效果相对理想，但是识别速度慢。因此现如今在提取图像边缘信息时，通常将两种提取方法进行结合使用，在强调提取速度的同时保证提取效果。

（3）区域分割。计算机智能图像识别技术在应用过程中，一些图像的灰度和颜色相对接近，因此为了能够更好的对图像进行识别，技术人员需要对图像进行区域分割。具体的分割方式包括：直接分割、间接分割与扩充分割等，为了能够实现更好的分割效果，人员需要结合图像的实际情况来具体选择分割方式。

（4）定位目标。在这一过程中，技术人员首先需要获取目标区域的相关数据信息，圈定目标区域。在定位过程中，图像的背景会对定位产生一定影响，背景越复杂那么目标的定位难度就越大，为了精准的圈定目标区域，技术人员通常选择利用边缘构件、颜色特征、纹理特征以及基本元素等进行辅助定位。

5 计算机智能图像识别技术的改进方向

计算机智能图像识别技术已经在众多领域创造出巨大价值，例如视频跟踪领域。Mean Shift算法是传统识别技术的核心算法，此算法在计算过程中具有无需快速模式匹配与参数的特点，计算相对简单，但是在应用过程中却不能对系统进行有效更新，同时对于核函数窗宽也不能改变其宽度，所以视频图像识别的精准度也就无法有效提高，如果识别目标的尺度发生了明显变化，此算法就无法保证识别精度，甚至还有可能因此将目标丢失。为了解决这一问题，真正提高计算机智能图像识别技术的应用效果，技术人员可以基于CamShift的视频跟踪算法改进图像识别技术。在计算机智能图像识别技术应用过程中，对颜色的感知是识别的基础，因为RGB颜色空间有着十分敏感的光照亮度变化，在图像识别过程中这种敏感性会对图像识别带来很大影响，计算机系统因此会可能造成对颜色信息的误判，所以为了最大程度的提高识别精度，技术人员可以利用CamShift算法将图像由RGB颜色空间转变为HSV颜色空间，进而为后续的图像处理奠定基础。

为了促使计算机智能图像识别技术创造出更大的社会价值，技术人员也需要将技术与人们的生活相结合，促使此项技术能够在人们的生活与工作中发挥出重要作用。电子计算机、智能移动终端与嵌入式终端都能作为智能图像识别技术的载体，所以技术人员也要促使图像识别技术的落地，充分与人们的生活和工作相结合，进一步提高我国人民的生活质量。

6 结论

综上所述，计算机智能图像识别技术在众多领域都有着十分广泛的应用，并且能够创造出更高的使用价值。计算机智能图像的计算方法是此项技术的核心，这也就需要技术人员必须算法进行不断优化与创新，进一步提高计算机智能图像识别技术的应用价值，而且工作人员也要掌握技术的应用过程，确保技术在应用过程中能够对图像进行更加精准的识别与处理。随着科学技术的不断进步，计算机智能图像识别技术在未来的发展过程中，也需要不断完善创新，加大对技术的研究力度，促使技术能够创造出更大的社会价值。

参考文献

[1] 曾长雄.计算机智能图像识别算法浅析[J].电子元器件与信息技术，2020，4（3）：61-63.

[2] 刘子豪.基于子空间和多特征融合的木材分类算法研究[D].杭州：浙江农林大学，2013.

[3] 陈理，粟卫民，陈晓，等.计算机图像识别的智能化处理技术瓶颈与突破[A].中国电力科学研究院，2016智能电網发展研讨会论文集[C].中国电力科学研究院：北京市海淀区太极计算机培训中心，2016.

[4] 傅白璐.基于数据挖掘的女装廓形流行趋势智能分析预测系统研究[D].上海：东华大学，2018.

[5] 潘国兵.无线胶囊内窥镜系统及内窥图像中出血智能识别研究[D].上海：上海交通大学，2010.