机器视觉的图像目标识别方法综述.docxVIP

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