图像分类算法毕业论文

随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!

图像识别技术研究综述

摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。

关键词：图像处理;图像识别;成像

中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02

图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。

1 图像处理技术

图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。

1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。

2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。

3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。

4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。

5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。

2 图像识别技术

图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：

指纹识别

指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。

人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。

文字识别

文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。

3 结束语

人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。

参考文献：

[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.

[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.

[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.

[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.

[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.

[6] Sanderson C，Paliwal K Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.

点击下页还有更多>>>图像识别技术论文

人类与基于模型学习的计算机视觉算法区分开来的一个特点是，能够获取关于世界的知识，并利用这些知识对视觉世界进行推理。人类可以了解物体的特性以及它们之间的关系，从而学习各种各样的视觉概念，通常只用很少的例子。本文研究了结构化先验知识在知识图谱形式下的应用，表明利用该知识可以提高图像分类的性能。我们在最近关于图端到端学习的工作的基础上，引入了图搜索神经网络（Graph Search Neural Network）作为一种有效地将大的知识图谱合并到视觉分类管道中的方法。我们在许多实验中表明，对于多标签分类，我们的方法优于标准的神经网络基线。

（a）将GSNN（）作为一种将潜在的大知识图谱合并到端到端的学习系统中的方法，该系统在计算上对大图是可行的； （b）一个使用噪声知识图谱进行图像分类的框架； （c）解释我们的图像分类的能力。使用传播模型。我们的方法明显优于多标签分类的基线。

将GGNN用于图像任务的最大问题是计算可伸缩性。例如，尼尔(NEIL)[4]有超过2000个概念，而内尔(NELL)[3]有超过200万个自信的信念。即使对我们的任务进行了删减，这些图仍然是巨大的。标准GGNN上的正向传播是（ ）, 是节点数，反向传播是（ ），其中 是传播步骤数。我们在合成图上对GGNNs进行了简单的实验，发现在超过500个节点之后，一个向前和向后的传递在一个实例上会超过1秒钟，即使在做出大量参数假设时也是如此。在2000个节点上，单个图像需要一分钟多的时间。不可能在盒子外（out of the box）使用GGNN。

我们解决这个问题的方法是图搜索神经网络（Graph Search Neural Network ，GSNN）。顾名思义，我们的想法是，不要一次对图形的所有节点执行循环更新，而是从一些基于输入的初始节点开始，只选择扩展对最终输出有用的节点。因此，我们只计算图子集上的更新步骤。那么，我们如何选择要用哪个节点子集初始化图呢？在训练和测试期间，我们根据目标检测器或分类器确定的概念存在的可能性来确定图中的初始节点。在我们的实验中，我们对80个COCO类别中的每一个都使用了更快的R-CNN（Faster R-CNN）[28]。对于超过某个选定阈值的分数，我们选择图中的相应节点作为初始激活节点集。

一旦我们有了初始节点，我们还将与初始节点相邻的节点添加到激活集。考虑到初始节点，我们首先要将关于初始节点的信念传播到所有相邻节点。然而，在第一个时间步骤之后，我们需要一种方法来决定下一个扩展哪个节点。因此，我们学习了一个每个节点的评分函数，它估计该节点有多“重要”。在每个传播步骤之后，对于当前图中的每个节点，我们预测一个重要性得分

是一个学习网络，重要性网络（importance network）。

一旦我们有了 的值，我们就将从未扩展到的得分最高的 个节点添加到我们的扩展集（expanded set），并将与这些节点相邻的所有节点添加到激活集（active set）。图2说明了这种扩展。t=1时，仅扩展检测到的节点。t=2时，我们根据重要性值扩展所选节点，并将其邻居添加到图中。在最后一个时间步骤 中，我们计算每个节点的输出，并重新排序和零填充(per-node-output and re-order and zero-pad)输出到最终分类网络中。

为了训练重要性网络(importance net)，我们将目标重要性值分配给图中给定图像的每个节点。与图像中真值概念(ground-truth concepts)相对应的节点被赋予1的重要性值。这些节点的邻居被分配了一个值 。两跳（two-hop）之外的节点具有值 ，以此类推等等。其思想是，最接近最终输出的节点是最重要的扩展。

现在我们有了一个端到端的网络，它将一组初始节点和注释作为输入，并为图中的每个激活节点输出每个节点的输出。它由三组网络组成：传播网、重要性网和输出网（the propagation net, the importance net, and the output net）。图像问题的最终损失可以通过输出网络从管道的最终输出反向传播，而重要性损失则通过每个重要性输出反向传播。参见图3查看GSNN架构。首先 ，检测信任初始化(detection confidences initialize) ，初始检测到的节点的隐藏状态。然后我们初始化 相邻节点的隐藏状态，使用0。然后我们使用传播网络(propagation net)更新隐藏状态。然后使用 的值预测重要性分数 ，该分数用于选择要添加到 的下一个节点。.然后用 初始化这些节点，并通过传播网络再次更新隐藏状态。T步之后，我们采取所有的累积隐藏状态来预测所有激活节点的GSNN输出。在反向传播过程中，二元交叉熵（binary cross entropy，BCE）损失通过输出层反馈，重要性损失通过重要性网络反馈，以更新网络参数。

最后一个细节是在GSNN中添加节点偏置（node bias）。在GGNN中，每个节点的输出函数 接受节点 的隐藏状态和初始注释,计算它的输出。在某种意义上，它与节点的意义不可知(agnostic)。也就是说，在训练或测试时，GSNN采用了一个可能从未见过的图，以及对于每个节点一些初始注释 。然后，它使用图的结构通过网络传播这些注释，然后计算输出。图中的节点可以表示任何东西，从人际关系到计算机程序。然而，在我们的图网络中，一个特定的节点表示“horse”或“cat”这一事实可能是相关的，我们也可以将自己约束到一个静态图而不是图像概念。因此，我们引入节点偏差项，对于图中的每个节点，都有一些学习值。我们的输出方程 , 是一个与整体图中的特定节点 相关联的偏差项。该值存储在一个表中，其值由backpropagation更新。

. 图像管道和基线(Image pipeline and baselines) 另一个使图形网络适应视觉问题的问题是如何将图形网络合并到图像管道中。对于分类，这是相当简单的。我们获取图形网络的输出，对其进行重新排序，使节点始终以相同的顺序出现在最终网络中，并对未展开的任何节点进行零填充。因此，如果我们有一个具有316个节点输出的图形，并且每个节点预测一个5维隐藏变量，那么我们将从该图形创建一个1580维特征向量。我们还将该特征向量与微调后的VGG-16网络的FC7层（4096 dim）连接起来[35]，并将更快的R-CNN（80 dim）预测的每个COCO类别的最高得分连接起来。这个5756维特征向量被输入到一层最终分类网络中，该网络经过辍学训练。 对于基线，我们比较：（1）VGG基线-仅将FC7输入最终分类网；（2）检测基线将FC7和最高COCO分数输入最终分类网。

[1] 论文笔记：GSNN: The More You Know: Using Knowledge Graphs for Image Classification [2] The More You Know: Using Knowledge Graphs for Image Classification ——用知识图谱进行图像分类论文阅读笔记

[1] KMarino / GSNN_TMYN [2] SteinsGate9 / gsnn_demo

数字图像处理方面了解的了。