图像识别是模式识别技术的应用之一,是人工智能的重要领域,也是计算机视觉中较为常见的分支。通过运用现代信息处理技术和计算机技术,来完成人对图像的认知和理解。如何让计算机像人一样去观察世界、理解世界并最终造福人类,是我们所面临的一个不小的挑战。轮廓的识别是目标识别配准以及图像检索的关键,对于图像的基本认知,基于轮廓的识别比基于图像颜色和文本信息的识别更受欢迎。轮廓特征的描述是目标轮廓识别的关键,其概括性和准确度直接关系到识别结果的好坏。针对现有目标轮廓特征描述算法的复杂性和不稳定性,本文提出一种新的基于轮廓的图像特征描述方法。从人类认知的角度出发,提出了层次分明的由全局到局部再到结构的轮廓特征描述子,再将其组合成一个4维向量作为待识别目标的特征向量。然后,用特征向量间的欧氏距离作为形状之间的相似度的度量准则。对于特征的识别和匹配,常见的做法是直接进行相似性比对,或是对特征向量进行分类和聚类以达到识别的目的。相对于分类的有监督而言,聚类算法是一种无监督的数据分类算法,对数据类之间的区分度的要求更高。为检验提出的特征描述子的有效性,这里选用聚类方法对图像进行辨别。经过对一些经典聚类算法的分析和比较,选择近邻传播聚类算法。在图像数据库中的实验结果表明,与传统特征描述方法相比,这种层次化的描述无论是在直接匹配还是近邻传播聚类识别上都更具优越性,在形状的识别和相似性匹配上具有更好的稳健性。