特征提取算法和分类识别技术是图像处理技术中的重要组成部分,是模式识别领域的关键技术之一。基于视觉的特征提取包括颜色、纹理、形状三个方面。外轮廓信息是形状特征中的重要特征参数,主要通过边缘检测和链码编码提取两个步骤获得,而传统8链码算法会错误表达外轮廓信息。为了弥补传统8链码的不足,提出对称8链码和可变向8链码算法。对称8链码算法定义变换点的判定法则,并根据边缘轮廓的走向特点,确定了一组呈中心对称的链码编码方向,准确提取图像外轮廓信息。可变向8链码算法利用前一个像素点的链码方向判断出当前像素点的起始链码方向,从而自适应地选择起始链码方向,定位出图像外轮廓。实验表明,两种算法均能改善传统8链码算法外轮廓信息表示的准确率。对称8链码算法适用于边缘轮廓较为简单的图像,保证图像外轮廓信息的误判率低于1%。可变向8链码算法适用于边缘轮廓较为复杂的图像,其提取的图像外轮廓参数精度高,鲁棒性好。此外,对称8链码和可变向8链码算法通过对阈值的设定和键值对的标记,保证将多目标图像中最优目标作为分类识别对象。面积参数是形状特征中的另一个重要特征信息。利用链码技术的距离变换算法能够提高面积参数的准确率。该算法根据外轮廓链码序列,将图像内部像素点用类"等高线"的方法表示出来,通过统计"等高线"曲线的链码序列长度获得图像的面积。实验表明,对于具有干扰项的图像,改进的面积计算方法准确率仍高达98%,鲁棒性好。选择合适的特征参数通过分类器处理实现图像的分类识别。单一分类器的整体识别率较低,为了提高分类精度,选择多种适合于目标图像的分类器,建立种类和分类器之间的对应关系,形成一种级联方式的多分类器组合结构。在分类过程中,利用多分类器的处理机制,每个分类器只处理能够准确分类的样本,并将剩余样本交给下一个分类器处理,最后由多分类器汇总分类结果。分类实验以蝴蝶兰图像为例,利用随机森林分类器、Adaboost分类器以及SVM分类器建立蝴蝶兰种类和分类器之间的对应关系,构建一个适合蝴蝶兰种类的三级联组合分类器。实验说明,多分类器能强化单一分类器的识别效果,将分类识别准确率从80%左右提高至90.63%。