基于图像识别的算法结构分析方法技术

本发明专利技术提供基于图像识别的算法结构分析方法，涉及图像识别技术领域，将图像釆集下来输入进行处理，通过一定的技术和手段对具体事物进行观测，从而获取计算机可以处理的对事物的数据描述，图像预处理主要包括图像增强、图像的二值化和图像细化，通过映射或变换的方法可以用低维空间表示样本，特征提取是用数值的形式把能够充分表示该图像唯一性的特征给表达出来，将输入的图像与数百甚至上千个图像进行匹配，特征提取为基于灰度共生矩阵纹理特征提取，通过灰度共生矩阵纹理特征提取，可以得到实时、可靠、稳定、实用的融合纹理特征，对今后纹理特征提取方法的融合奠定了一定的基础，进而可以更好的完成图像的识别。进而可以更好的完成图像的识别。进而可以更好的完成图像的识别。

【技术实现步骤摘要】
基于图像识别的算法结构分析方法


[0001]本专利技术涉及图像识别
，具体为基于图像识别的算法结构分析方法。

技术介绍

[0002]近年来，图像识别技术越来越广泛的应用，比如人脸识别、指纹识别、静脉识别、手写字体识别、印刷字体识别和车辆字符识别等，这些图像识别场景主要是从待识别图像中得到所需的相关信息，目前主流的图像识别技术通常为基于机器学习的图像识别方法，需要引入基于机器学习的图像识别模型对待识别图像进行识别，从而得到待识别图像中的相关信息。
[0003]现有的基于图像识别的方法由于基于机器学习的图像识别模型通常需要通过大量的训练样本进行复杂的训练过程才能得到，这将无法对待识别图像进行快速有效的识别，而且识别结果受到训练样本的规模以及均衡性的影响，也将导致识别结果的准确性降低。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了基于图像识别的算法结构分析方法，解决了图像识别结果准确性低的问题，使得到的融合纹理特征实时、可靠、稳定、实用。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：基于图像识别的算法结构分析方法，包括如下步骤：
[0006]Sp1：图像采集：将图像釆集下来输入进行处理，通过一定的技术和手段对具体事物进行观测，从而获取计算机可以处理的对事物的数据描述；
[0007]Sp2：图像预处理：图像预处理主要包括图像增强、图像的二值化和图像细化；
[0008]Sp3：特征提取：通过映射或变换的方法可以用低维空间表示样本，特征提取是用数值的形式把能够充分表示该图像唯一性的特征给表达出来；
[0009]Sp4：分类和匹配：将输入的图像与数百甚至上千个图像进行匹配，为降低计算的复杂度、减少搜索时间可以，可以进行图像分类和图像匹配。
[0010]优选的，所述特征提取为基于灰度共生矩阵纹理特征提取，灰度共生矩阵就是从影像灰度的像素出发,计算同时出现的概率。
[0011]优选的，所述图像增强可以改善图像质量，恢复其原来的结构，所述图像的二值化是将图像从灰度图像转换为二值图像，所述图像细化是把不均匀的二值图像转化成线宽仅为一个像素的点线图像。
[0012]优选的，所述图像匹配是在图像预处理和特征提取的基础上，将输入的测试图像特征与模板图像特征进行比对，比较他们之间的相似程度。
[0013]优选的，所述图像预处理就是将数据获取阶段所引入的干扰和噪声滤除，一般把经过预处理的原始数据组成的空间称为测量空间。
[0014]优选的，所述图像分类是根据特征提取得到的投影系数给测试样本赋一个类别标
记，分类的难易程度取决于两个因素，其一是来自同一个类别的不同个体之间投影系数的波动，其二是属于不同类别样本的投影系数之间的差异。
[0015]优选的，所述图像特征提取是直接用图像各像素的灰度值存储在矩阵中作为图像的表示，最大程度地保留了图像的原始信息，然后在矩阵数学上加以表达并运算。
[0016]有益效果
[0017]本专利技术提供了基于图像识别的算法结构分析方法。具备以下有益效果：
[0018]本专利技术通过灰度共生矩阵纹理特征提取，选择合适的特征参数提高图像识别成功率，研究和应用各种特征提取方法，在提取纹理特征以及设计图像纹理分类算法时，可以得到实时、可靠、稳定、实用的融合纹理特征，对今后纹理特征提取方法的融合奠定了一定的基础，进而更好的完成图像的识别。
附图说明
[0019]图1为本专利技术的方法流程图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]实施例一：
[0022]如图1所示，本专利技术实施例提供基于图像识别的算法结构分析方法，包括如下步骤：
[0023]图像采集：将图像釆集下来输入进行处理，通过一定的技术和手段对具体事物进行观测，从而获取计算机可以处理的对事物的数据描述；
[0024]图像预处理：图像预处理主要包括图像增强、图像的二值化和图像细化；
[0025]特征提取：通过映射或变换的方法可以用低维空间表示样本，特征提取是用数值的形式把能够充分表示该图像唯一性的特征给表达出来；
[0026]分类和匹配：将输入的图像与数百甚至上千个图像进行匹配，为降低计算的复杂度、减少搜索时间，可以进行图像分类和图像匹配。
[0027]将图像采集下来输入进行处理是图像识别的首要步骤，图像的预处理是必不可少的，减少了后续算法的复杂度，并且提高了效率，加快后续处理的速度，图像特征提取的效果直接决定着图像识别的效果，怎样从原图像中提取出较强表示能力特征的图像特征是图像处理的一个研究热点，由于纹理特征能够很好地描述图像的平滑、稀疏、规则性等特性，因此，本专利技术决定采用纹理特征作为图像识别的依据。
[0028]实施例二：
[0029]如图1所示，特征提取为基于灰度共生矩阵纹理特征提取，灰度共生矩阵就是从影像灰度的像素出发,计算同时出现的概率，图像增强可以改善图像质量，恢复其原来的结构，图像的二值化是将图像从灰度图像转换为二值图像，图像细化是把不均匀的二值图像转化成线宽仅为一个像素的点线图像，图像匹配是在图像预处理和特征提取的基础上，将
输入的测试图像特征与模板图像特征进行比对，比较他们之间的相似程度，图像预处理就是将数据获取阶段所引入的干扰和噪声滤除，一般把经过预处理的原始数据组成的空间称为测量空间，图像分类是根据特征提取得到的投影系数给测试样本赋一个类别标记，分类的难易程度取决于两个因素，其一是来自同一个类别的不同个体之间投影系数的波动，其二是属于不同类别样本的投影系数之间的差异，图像特征提取看作是直接用图像各像素的灰度值存储在矩阵中作为图像的表示，最大程度地保留了图像的原始信息，然后在矩阵数学上加以表达并运算。
[0030]通过灰度共生矩阵纹理特征提取，选择合适的特征参数提高图像识别成功率，研究和应用各种特征提取方法，在提取纹理特征以及设计图像纹理分类算法时，可以得到实时、可靠、稳定、实用的融合纹理特征，对今后纹理特征提取方法的融合奠定了一定的基础，进而更好的完成图像的识别。
[0031]数据获取就是通过一定的技术和手段对具体事物进行观测，从而获取计算机可以处理的对事物的数据描述，如测量到的一维信号、二维信号或逻辑信号等，而预处理就是将数据获取阶段所引入的干扰和噪声滤除，一般把经过预处理的原始数据组成的空间称为测量空间，由于测量空间获得的数据量较大，不能直接反映测量对象的本质，因此不宜直接在测量空间中对数据进行分类，这就要对数据进行特征提取，找到最能体现数据类本质的特征，由于特征所起的作用不同，故对变换后的特征进行适当选择也是非常必要的，特征提取和选择是模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像识别的算法结构分析方法，其特征在于，包括如下步骤：Sp1：图像采集：将图像釆集下来输入进行处理，通过一定的技术和手段对具体事物进行观测，从而获取计算机可以处理的对事物的数据描述；Sp2：图像预处理：图像预处理主要包括图像增强、图像的二值化和图像细化；Sp3：特征提取：通过映射或变换的方法可以用低维空间表示样本，特征提取是用数值的形式把能够充分表示该图像唯一性的特征给表达出来；Sp4：分类和匹配：将输入的图像与数百甚至上千个图像进行匹配，为降低计算的复杂度、减少搜索时间，可以进行图像分类和图像匹配。2.根据权利要求1所述的基于图像识别的算法结构分析方法，其特征在于：所述特征提取为基于灰度共生矩阵纹理特征提取，灰度共生矩阵就是从影像灰度的像素出发,计算同时出现的概率。3.根据权利要求1所述的基于图像识别的算法结构分析方法，其特征在于：所述图像增强可以改善图像质量，恢复其原来的结构，所述图像的二值化是将图像从灰度图像转换为二值图像，所述图像细化是把不均匀...

【专利技术属性】
技术研发人员：刘晓捷，李彦苍，
申请(专利权)人：河北工程大学，
类型：发明
国别省市：