论文部分内容阅读
[摘 要]20 世纪 80 年代新兴的人工神经网络，作为一种广义的智能模式识别法，具有高度的并行性、分布式存储、良好的容错性、自适应性和联想记忆功能、高度的非线性处理等能力，在模式识别领域中取得了许多传统方法所难达到的成就。而神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新兴图像识别技术，是在传统的图像识别方法的基础上融合神经网络算法的一种图像识别方法。
[关键词]人工神经；网络；图像
中图分类号：TP859 文献标识码：A 文章编号：1009-914X（2018）10-0355-01
一、前言
21世纪是一个充满信息的时代，图像作为人类感知世界的視觉基础，是信息传输的主要载体。正是因为图像带给人们的相关信息，使得图像识别技术随着计算机技术、多媒体技术的飞速发展取得了长足的进步。自80年代开始，国际学术界开始了关于神经网络理论与技术的研究热潮，一些著名学者断言，神经网络技术应用将成为21世纪的核心技术。目前，神经网络已经成为图像识别的一个重要的研究方向，无论是在国外还是国内，其研究者和热心的支持者已越来越多，研究也越来越深入，学术论文的发表数以千计，应用成果迭出。例如：利用气象卫星的云图图像预测天气，智能交通系统中的车牌识别、遥感图像分析、医疗病变图像的计算机诊断等这些都属于图像识别系统的应用范畴。所以随着计算机技术和数字图像处理技术的发展，对通过机器视觉设备所获得的图像识别和分类已成为当前的迫切需要。
二、图像模式识别
图像在人类的感知中扮演着非常重要的角色，人类随时随处都要接触图像。据统计，在人类接受的信息中，视觉信息占了70%以上，也就是常说的“百闻不如一见”。在许多场合，图像所传递的信息比其他任何形式的信息更加丰富和真切。随着数字图像技术的发展和实际应用的需要，出现了另一类问题，就是不要求其结果输出是一幅完整的图像，而是将经过图像处理后的图像，再经过分割和描述提取有效的特征，进而加以判决分类，这就是近20年来发展起来的一门新兴技术科学——图像识别。它以研究某些对象或过程的分类与描述为主要内容，以研制能够自动处理某些信息的机器视觉系统，代替传统的人工完成分类和辨识的任务为目的。例如要从遥感图像中分割出各种农作物、森林资源和矿产资源等；根据医学图片分析发生病变的细胞形状和颜色判断是否发生癌变；从气象观测数据或气象卫星照片准确预报天气；交通管理系统中应用车牌自动识别技术管理车辆等。因此，在当今社会，图像识别技术已经在各个领域发挥着极其重要的作用。图像识别，简单地说，就是要把一种研究对象，根据其某些特征进行识别并分类。例如要识别写在卡片上的数字，判断它是0，1，2，…，9中的哪个数字，就是将数字图像分成10类的问题，因此可以认为，对数字图像进行区别分类其实质就是对图像进行模式识别。这种识别早已存在人们的生活实践中。然而，随着实践活动的扩大、深入和社会化的需要，人们不仅需要识别分类数很多的事物，而且被识别的对象内容也越来越复杂。特别是由于科学技术水平的提高，使得各种不同的研究对象“图像化”或“数字化”，可采用某种技术把考察的对象转换成图片、波形图以及若干数据，这些数据就可以代表所研究的对象。但是对于模式识别来说，无论是数据、信号还是平面图像或立体景物都是除掉它们的物理内容而找出它们的共性，把具有同一共性的归为一类，而具有另一种共性者归为另一类。
模式识别是用机器对文字、图像、图片和景物等模式信息加以处理和识别，用以解决计算机与外部环境直接通信这一重要问题。其目的就是研制采用某种仪器或设备，自动处理某些信息，代替人完成分类和辨识的任务，并且能够快速而准确地进行图形识别。一般来说，一个图像识别由图像预处理、图像特征提取和图像模式分类三个主要部分组成。前期处理一般是指把图像进行平滑、增强、恢复、边缘检测和分割等操作，其目的是把输入图像简化为分段模式。特征提取是指在满足分类识别正确率要求的条件下，提取图像的主要特征，并按某种准则尽量选用对正确分类识别作用大得特征，使得用较少的特征就能完成分类识别任务。图像模式分类是最重要的一部分，它是依据所提取的特征，将前一部分的特征向量空间映射到类型空间，把相应图像归属已知的一类模式。
三、图像模式识别的基本方法
（一）数据获取
来自现实的模拟数据，如图片、照片、图像和景物等由一个传感器（如扫描仪、传真机、数字摄像机、数码相机）传入，然后被转换成适合计算机处理的形式，即将物理量变成一组测量值。
（二）数据处理
数据处理包括预处理、特征抽象和特征选择。预处理技术包括各种图像处理技术，其目的是改善图像质量，清楚图像中的噪声，减轻或消除因传感器与传输介质本身不完善而引起的退化现象，便于机器分析处理等。特征抽取就是从图像中提取一组反映图像特性的基本元素或数字值。特征选择则是从已经抽取的特征中选择能够更好地完成分类识别任务的特征来表示原图像。
（三）判别分类
判别分类就是采用一定的准则或机制建立分类规则，并用它们对未知图像模式进行分类识别。用于解决图像识别的方法概括起来可分为统计模式识别、结构模式识别、模糊图像识别和智能模式识别（主要是人工神经网络模式识别）4类，前两类方法有久远的历史，发展较为成熟，对解决相应领域中的模式识别问题均有明显的效果，是模式识别分类的经典与基础性技术。
结论
目前相关的研究工作虽然取得了一定的进展，但由于时间和研究能力的限制，我们的研究工作是有限的，比如图像识别中的一些关键问题函待解决。
参考文献
[1]Sung-Sau So，Martin Karplus.Evolutionary Optimization in Quantitative Structure-Activity Relationship：An Application of Genetic Neural Networks.Journal of Medicinal Chemistry，1996，39（7）：1524.
[2]王爱玲，叶明生，邓秋香.MATLAB R2007 图像处理技术与应用[M]. 北京：电子工业出社，2008.1
[关键词]人工神经；网络；图像
中图分类号：TP859 文献标识码：A 文章编号：1009-914X（2018）10-0355-01
一、前言
21世纪是一个充满信息的时代，图像作为人类感知世界的視觉基础，是信息传输的主要载体。正是因为图像带给人们的相关信息，使得图像识别技术随着计算机技术、多媒体技术的飞速发展取得了长足的进步。自80年代开始，国际学术界开始了关于神经网络理论与技术的研究热潮，一些著名学者断言，神经网络技术应用将成为21世纪的核心技术。目前，神经网络已经成为图像识别的一个重要的研究方向，无论是在国外还是国内，其研究者和热心的支持者已越来越多，研究也越来越深入，学术论文的发表数以千计，应用成果迭出。例如：利用气象卫星的云图图像预测天气，智能交通系统中的车牌识别、遥感图像分析、医疗病变图像的计算机诊断等这些都属于图像识别系统的应用范畴。所以随着计算机技术和数字图像处理技术的发展，对通过机器视觉设备所获得的图像识别和分类已成为当前的迫切需要。
二、图像模式识别
图像在人类的感知中扮演着非常重要的角色，人类随时随处都要接触图像。据统计，在人类接受的信息中，视觉信息占了70%以上，也就是常说的“百闻不如一见”。在许多场合，图像所传递的信息比其他任何形式的信息更加丰富和真切。随着数字图像技术的发展和实际应用的需要，出现了另一类问题，就是不要求其结果输出是一幅完整的图像，而是将经过图像处理后的图像，再经过分割和描述提取有效的特征，进而加以判决分类，这就是近20年来发展起来的一门新兴技术科学——图像识别。它以研究某些对象或过程的分类与描述为主要内容，以研制能够自动处理某些信息的机器视觉系统，代替传统的人工完成分类和辨识的任务为目的。例如要从遥感图像中分割出各种农作物、森林资源和矿产资源等；根据医学图片分析发生病变的细胞形状和颜色判断是否发生癌变；从气象观测数据或气象卫星照片准确预报天气；交通管理系统中应用车牌自动识别技术管理车辆等。因此，在当今社会，图像识别技术已经在各个领域发挥着极其重要的作用。图像识别，简单地说，就是要把一种研究对象，根据其某些特征进行识别并分类。例如要识别写在卡片上的数字，判断它是0，1，2，…，9中的哪个数字，就是将数字图像分成10类的问题，因此可以认为，对数字图像进行区别分类其实质就是对图像进行模式识别。这种识别早已存在人们的生活实践中。然而，随着实践活动的扩大、深入和社会化的需要，人们不仅需要识别分类数很多的事物，而且被识别的对象内容也越来越复杂。特别是由于科学技术水平的提高，使得各种不同的研究对象“图像化”或“数字化”，可采用某种技术把考察的对象转换成图片、波形图以及若干数据，这些数据就可以代表所研究的对象。但是对于模式识别来说，无论是数据、信号还是平面图像或立体景物都是除掉它们的物理内容而找出它们的共性，把具有同一共性的归为一类，而具有另一种共性者归为另一类。
模式识别是用机器对文字、图像、图片和景物等模式信息加以处理和识别，用以解决计算机与外部环境直接通信这一重要问题。其目的就是研制采用某种仪器或设备，自动处理某些信息，代替人完成分类和辨识的任务，并且能够快速而准确地进行图形识别。一般来说，一个图像识别由图像预处理、图像特征提取和图像模式分类三个主要部分组成。前期处理一般是指把图像进行平滑、增强、恢复、边缘检测和分割等操作，其目的是把输入图像简化为分段模式。特征提取是指在满足分类识别正确率要求的条件下，提取图像的主要特征，并按某种准则尽量选用对正确分类识别作用大得特征，使得用较少的特征就能完成分类识别任务。图像模式分类是最重要的一部分，它是依据所提取的特征，将前一部分的特征向量空间映射到类型空间，把相应图像归属已知的一类模式。
三、图像模式识别的基本方法
（一）数据获取
来自现实的模拟数据，如图片、照片、图像和景物等由一个传感器（如扫描仪、传真机、数字摄像机、数码相机）传入，然后被转换成适合计算机处理的形式，即将物理量变成一组测量值。
（二）数据处理
数据处理包括预处理、特征抽象和特征选择。预处理技术包括各种图像处理技术，其目的是改善图像质量，清楚图像中的噪声，减轻或消除因传感器与传输介质本身不完善而引起的退化现象，便于机器分析处理等。特征抽取就是从图像中提取一组反映图像特性的基本元素或数字值。特征选择则是从已经抽取的特征中选择能够更好地完成分类识别任务的特征来表示原图像。
（三）判别分类
判别分类就是采用一定的准则或机制建立分类规则，并用它们对未知图像模式进行分类识别。用于解决图像识别的方法概括起来可分为统计模式识别、结构模式识别、模糊图像识别和智能模式识别（主要是人工神经网络模式识别）4类，前两类方法有久远的历史，发展较为成熟，对解决相应领域中的模式识别问题均有明显的效果，是模式识别分类的经典与基础性技术。
结论
目前相关的研究工作虽然取得了一定的进展，但由于时间和研究能力的限制，我们的研究工作是有限的，比如图像识别中的一些关键问题函待解决。
参考文献
[1]Sung-Sau So，Martin Karplus.Evolutionary Optimization in Quantitative Structure-Activity Relationship：An Application of Genetic Neural Networks.Journal of Medicinal Chemistry，1996，39（7）：1524.
[2]王爱玲，叶明生，邓秋香.MATLAB R2007 图像处理技术与应用[M]. 北京：电子工业出社，2008.1