机器视觉的图像目标识别方法综述

文章来源：MEMS

---

---

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。

---

---

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。

---

---

机器视觉的图像目标识别原理与特点

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。

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。

---

---

机器视觉的图像目标识别方法

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。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。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。

---

---

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。