图像是一种重要的信息载体,目标识别技术中就存在图像处理方面的问题. 尽管图像目标识别技术已经存在了很多年,但它仍然是一个很活跃的领域.本文以图像处理为研究领域,对图像目标识别技术中所涉及到的几个关键问题:如边缘特征提取,骨架特征提取,大、小目标匹配识别方法,及其它们的抗干扰性等等作了详细的研究.图像目标识别就是一个从特征提取到识别分类的过程,因此依据这条主线,把本文分为两个部分,一是特征提取,二是目标识别分类. 用于目标识别中的特征主要有边缘和骨架.在边缘检测上,提出了三种新的方法.一是提出了一种获取梯度值的新方法,从而实现四方向梯度拟合的边缘检测.在3×3的窗内,分别计算出水平方向,垂直方向,和正、负45度方向的梯度强度变化,然后把梯度最大的那个方向作为最终的边缘像素点.移动窗体.计算整幅图像,从而完成边缘检测的任务.根据该方法的特性,当只计算三个方向,甚至两个方向的梯度时,也能够得到最终的边缘图像.这种简化的方法减少了计算量,缩短了计算时间.虽然该方法简单易行,但它还不能检测出梯度很小的边缘.为了进一步提高该方法的性能,又引进了一个增强系数,改变了该方法对小灰度梯度的灵敏程度.通过与Sobel算子法、Prewitt算子法等传统的基于梯度的边缘榆测方法的比较,用该方法得到的边缘图像效果好.二是基于JF-THEN的推理规则,提出了一种用较少模糊逻辑推理的边缘检测方法,实现了对灰度图像的边缘检测.通过用模糊逻辑语言分析图像中是否有灰度突变,从而判断出边缘的存在.而且如果再加上几条可以判断出脉冲噪声的模糊逻辑规则,那么在进行边缘检测的同时,还可以抑制脉冲噪声的干扰.实验结果表明:皋于模糊推理的边缘检测方法在使用少量推理规则的条件下,也可以对图像边缘进行很好的检测,而且鲁棒性好.三是基于遗传算法优化的多尺度形态学结构元素的边缘检测方法.数学形态学作为一种非线性图像处理方法,越来越受到人们的重视.应用多尺度形态学对图像进行边缘检测,可以得到很好的效果.但结构元素的选取一直是形态学的难点.利用遗传算法在全局范围内可以搜索到全局最优解的特点,通过对结构元素进行编码、交叉、变异等遗传操作,就可以得到最优的结构元素.在应用到边缘检测上时,需要先对与被检测图像相似的样本图像进行学习.用学习后得到的最优结构元素进行边缘检测,就可得到满意的边缘图像.实验结果表明:用遗传算法对结构元素进行优化选取,无需人为干预,完全可以实现多尺度形态学对边缘检测的自适应性.另一种用于目标识别的特征是骨架.基于中轴变换,提出了一种具有抗干扰能力的二值图像骨架提取算法.不同于传统的中轴变换提取骨架的方法,以前的方法只是根据最大正方形的边长来判断骨架像素,而该方法是通过计算目标像素内的最大邻域的所有像素的个数来进行中轴变换,然后判断骨架点,最后提取骨架.在被噪卢干扰的图像内提取骨架一直足骨架提取的难点.在该方法中,只需通过设定一个阈值,就可以完成对噪声图像的骨架提取,抗干扰能力强.实验结果表明:该方法能够准确地对各类二值图像进行骨架提取,方法简单,骨架的连通性也较好,更重要的是该方法具有鲁棒性,在保证骨架完整性的同时,滤除了背景噪声,表现出比传统的基于最大正方形中轴变换的骨架提取方法更好的特性. 第二方面的内容是目标识别,包括大目标识别和小目标识别. 在大目标识别上,主要应用的技术是匹配技术.在判断空间点集的相似度上,Hausdorff距离被认为是一种合理有效的方法.首先介绍了几种常用的Hausdorff距离,如经典Hausdorff距离,部分Hausdorff距离,MHD,WHD,cHD,M-HD和LTS-HD.这些方法都不能很好地解决受到噪声干扰的图像匹配问题.所以在这些方法的基础上,提出了一种多值Hausdorff距离法.并不像其他Hausdorff距离匹配方法那样只是对二值图像进行匹配识别,该方法首先是把二值图像转换为多值灰度图像,然后对于不同的像素值分别进行距离计算.并且在进行距离计算时,不足仅仅计算同值像素之间的距离,还要计算与其相邻像素值之间的距离.通过实验和与其他方法进行比较得到:该方法对带有随机噪声的图像匹配识别问题十分有效,而且方法简单.由于小目标所占像素面积小、信号强度弱、信噪比低等特点,因此它的检测识别不同于大目标的识别.用数学形态学的方法也能够完成对小目标的检测. 但如上文所述,结构元素选取的好坏直接决定着整个系统的性能好坏,而且它的选取仍然是一个难点.同理,用遗传算法对结构元素进行优化选取,使得用形态学对小目标的识别也实现了自适应.该方法再一次印证了用遗传算法优化结构元素是完全可行的.