机器视觉的图像目标识别方法综述

作者:周尉

0 引言

从20世纪80年代开始,机器视觉技术的发展速度不断加快,已经走进了人们的日常生活与工作之中。机器视觉的图像目标识别系统的自动化程度较高,应用范围广,尤其在危险场所的运用,采用机器视觉代替传统的人工视觉,能够更好的满足危险作业基本需求。

1 机器视觉的图像目标识别的重要性

图像目标识别是机器视觉中的核心研究领域,在农业、工业和医疗等领域均有涉及。例如,在农作物生长过程之中,通过运用该技术实施药物喷洒,能有效预防农作物病虫害的发生。由于机器视觉的图像目标识别方法能将大量信息进行集中处理,能够更好的达到计算机集成制造基础目标。在比较复杂的机器视觉领域当中,机器视觉的图像目标识别方法的大力运用,能够减少错误视觉信息的输出与传递,进一步提升了各项图像识别信息的准确性。

2 机器视觉的图像目标识别原理与特点

2.1 图像目标识别的原理

机器视觉的图像目标识别运用模式识别和图像处理原理,在海量的图片当中,经过初步识别之后,提取相应的目标图像,并将该目标图像进行分类处理。与计算机视觉技术相比,机器视觉的图像目标识别方法操作更为便捷,系统结构组成比较简单。在处理图像之前,需要获取完整的图像,在获取图像的过程当中,要采用一套灵敏的硬件设备,如照明光源、用于调节图像清晰程度的镜头与摄像机等。

2.2 图像目标识别的特点

机器视觉的图像目标识别方法具有较强的实时性,能够自动获取图像并对图像进行分析与研究。由于该项技术的特殊性,其识别精度与识别时间领域还存在很多缺陷,为了保证该项技术得到更好应用,还需要不断加大研究力度,提升机器视觉图像目标识别效率,杜绝识别错误的发生。

3 机器视觉的图像目标识别方法

3.1 图像的预处理

图像的预处理指的是通过矫正机器视觉所获得的图像目标,并将噪音等干扰进行合理过滤,对图像目标内部的信息开展有效提取。其处理流程首先,将图像平行移动或者换不同的方向,缩放其尺寸等,使图像识别速度得到提升,识别结果更为精确。其次,将图像进行滤波处理,去除图像中的噪音干扰,使图像的各项特征得到更好保存。最后,对图像的预处理结果进行检验。

图像滤波处理主要分为两种,分别是线性滤波处理与非线性滤波处理。其中,非线性滤波对图像中的各个细节起到保护作用,去除图像噪音时,保证图像细节更加完整,在图像滤波处理中有良好的应用效果。在非线性滤波中,应用效果较好的分别是粒子滤波与卡尔曼滤波两种,与粒子滤波相比,卡尔曼滤波操作比较简单,鲁棒性能也比较好,在机器视觉跟踪领域应用较多。粒子滤波与卡尔曼滤波算法不同,该方法存在样本匮乏、粒子数量选择不当等一系列问题。

在图像预处理过程当中,要加强图像边缘处理力度,该区域作为图像目标中的核心区域,如果处理不当,会严重影响图像预处理效果。因此,为了进一步提升图像边缘预处理水平,可以运用先进的检测技术,对图像边缘预处理结果进行全面检测,并加强图像边缘检测技术优化力度,制定更为科学的检测技术措施,可以采用多尺度与结构的数学理念,将图像目标边缘进行有效提取,保证图像边缘更加稳定,处理结果更为准确。从研究结果来分析,通过做好图像预处理工作,能够保证机器视觉的图像目标识别水平得到全面提升。

3.2 图像的分割

通过加强图像分割,能够提高机器视觉的图像目标识别的自动化水平,使得图像目标识别效果更加显著。图像分割的方法有很多种,不同方法分别适用于不同领域,这里重点介绍以下3种分割方法。

(1)阈值分割法,这种方法属于常规图像分割方法,工作原理是将图像的像素点分为不同类型,并对各个类型的图像像素点进行计量,该方法具有操作便捷、图像计算量较小、性能可靠等特点,但是,该方法的操作范围比较小,分割进度缓慢。

(2)能量最小化分割方法,该项分割方法的主要缺点是计算效率特别低,应用效果较差。

(3)区域生长分割方法,主要指的是将比较相近的像素进行有效结合,构成更为完整的图像区域,在该图像区域之内,方可开展目标识别,具备计算便捷、图像分割效率高的特点,但是,在实际分割的过程之中,要明确种子点位置,对噪音特别敏感的部位,如果应用该方法,区域内部容易出现空洞现象。

当图像目标比较大,会降低图像的分割速率,使得图像目标的识别效果不断下降。图像目标的识别,要采用多方位的分割技术才能够取得良好的分割效果。可以将不同的分割方法进行完美结合,更好的提升图像分割水平与效率。近年来,混合分割法已经引起相关研究人员的关注,对混合分割法的分割效果比较满意。

3.3 特征提取要点

特征提取指的是在众多繁复的图像信息当中,要提取出符合要求的图像特征,对提取技术的速度与精度要求特别高,这一环节是机器视觉的图像目标识别核心环节。结合图像区域范围的大小,将图像全局特征进行分类,可以分为局部特征与全局特征,在繁杂的大背景之下,研究人员通常采用局部特征,准确描述图像目标,具有较高的提取效率。

采用较多的特征提取法主要分为3种,分别是密集提取法、稀疏提取法与其它提取法,但是,这3种特征提取方法需要图像目标背景的支持。描述子的出现,有效解决了以上问题,特别是采用多种类型的描述子开展机器视觉的图像目标识别,例如,采用SURF描述子对图像目标特征进行识别,能有效提高图像目标识别效率和效果,同时SIFT描述子性能稳定,识别效果好,其应用领域也特别广。

4 结束语

文章介绍了机器视觉的图像目标识别方法操作要点,如提升图像的预处理效果,图像的分割,明确特征提取要点等,能够更好的掌握机器视觉的图像目标识别途径,有效降低机器视觉图像目标识别难度。视觉定位的核心目标是找到所定目标物的具体坐标位置,通过研究机器视觉图像目标识别方法,能够对目标物体进行有效识别与定位,减少识别错误现象的发生。

文章转载自:MEMS

推荐阅读