基于机器视觉的图像识别技术分析

何晓莹

摘 要：随着信息技术的发展，基于机器视觉的图像识别技术成为各界的研究重点，让该项技术得到了广泛应用。本文主要针对基于机器视觉的图像识别技术的现状进行分析，结合该项技术中的核心关键进行分析，并且利用具体应用案例，深层次研究该技术在各行业中的实际应用情况，以供参考。

关键词：机器视觉;图像识别技术;应用领域;应用效果

中图分类号：TP391.41 文献标识码：A 文章编号：1671-2064（2019）19-0039-02

0 引言

近几年来，基于机器视觉的图像识别技术得到了进一步发展，从传统的数值图像识别转变为智能识别，特别是在一个复杂场景中，这种技术可以更加稳定、客观、准确的完成识别工作。因此，加强对基于机器视觉的图像识别技术的研究分析，可以推动图像识别工作得到进一步发展，需要得到重视。

1 基于机器视觉的图像识别技术的发展现状

基于机器视觉的图像识别技术发展过程中，以图像处理、识别为基础，利用人工智能、虚拟现实等技术，完成识别处理工作，现如今广泛应用于航空航天、医疗等领域。然而，在实际的应用过程中，图像所在的识别环境较为复杂、识别目标多元化，想要实现高效、精确地图像识别存在较大的困难，因此近几年来，越来越多的专业人士开始针对图像识别技术进行研究。机器视觉的图像识别技术作为一种先进技术，在未来发展中会得到更加广泛的应用，满足日益增长的机器视觉市场需要，开发出更多的机器视觉图像识别设备[1]。

2 基于机器视觉的图像识别技术的核心关键

2.1 图像的预处理

在基于机器视觉的图像识别技术中，图像预处理工作十分重要，可以有效降低后续算法的复杂度，提高识别效率。通常，可以使用降噪处理方法将图像恢复到清晰的点線图，图像预处理将直接影响到最终的分析结果。传统的图像预处理方式包括：灰度方差法和局部灰度差法，但是这两种方式的准确性较低，特别是在单个灰度图像区域中无法获得精确的效果。根据图像的四种区域分割情况，通常采用图像分割法完成预处理工作，以此保证图像或许处理的准确性，提高工作效率，节约工作时间。但是，在实际应用过程中，需要根据实际情况，进行具体分析，单一图像处理技术无法保证预处理效果处于最理想的状态，所以可以采用多种方法结合的方式，完成处理，保证效果最优。

2.2 图像特征提取

图像特征提取作主要是针对目标图像中的特征点进行分析，并且划分为不同的特征子集，特征提取技术的应用将对目标图像识别的精度和速度产生重要影响。这些特征子集一般为孤立的点集或者连续的曲线集，而图像特征一般包括：颜色特征、图像纹理、图像形状、空间关系特征。这其中颜色特征作为主体特征，是第一捕捉特征点，但并不适用于图像的局部特征捕捉，图像纹理特征作为表面属性，虽然体现了一定的性质，但不能完全反映出对象的基本特征，因此无法捕捉高层次内容。纹理特征需要设备具有较强的抗噪、抗干扰的能力，否则会产生较大的偏差，形状特征也并不常用，一旦图形发生变形，就会对最终的辨识工作产生影响。形状特征通常从图像中感兴趣的区域提取，其具有一些共同的属性。目前，形状特征提取缺乏数据模型的支持，当目标图像变形时，该方法不是很有效。此外，一次性描述所有目标特征需要昂贵的高性能处理设备。空间关系特征主要是针对目标之间的相对位置关系和图像中每个目标的绝对位置信息，也是较为常用的特征的之一，但需要注意的是，仅根据空间信息特征无法准确描述图像，需要将上述所有特征进行统一分析，进行综合判定，以此保证的最终结果的准确性[2]。

2.3 相似图像匹配

相似图像匹配也是基于机器视觉的图像识别技术中必不可少的重要组成部分，这一技术就是从不同的视角开始，分析一幅或多幅图像中与目标区域相同或相似的图像区域。在传统的图像识别中，它会受到拍摄环境、拍摄角度和拍摄设备自身精度等因素的影响。拍摄的图像会失真和畸变，这将威胁到相似图像匹配的准确性。但是在基于机器视觉的图像识别技术中的图像匹配通过高质量、抗感染的匹配方式，实现高匹配率和高效匹配。常见的图片匹配方式包括基于灰度的匹配方法和基于特征的匹配方法，此外，随着神经网络技术的不断发展，也出现了很多全新的技术手段，包括：几何图元法、模型识别法、信号处理法和傅氏形状描述法。近些年来，基于神经网络的深度学习方法日趋成熟，许多新技术可用于图像匹配。

3 基于机器视觉的图像识别技术的应用领域

3.1 医疗领域

基于机器视觉的图像识别技术在医疗领域中的应用，可以让医疗行业得到进一步发展，尤其是近几年来，医疗专业人士对这一技术的商业价值、科学价值有了全新的认识。将其应用在医疗器械的规格检测、临床医学检测、实验室检测等缓解，以临床医学为例，基于机器视觉的图像识别技术可以在感知环节中充分发挥自身作用，将这项技术配合信息融合技术，应用在X射线透视图、核磁共振图中，辅助医生对患者影像进行分析和处理，从而获得更有价值、更准确的患者信息。现如今，“互联网+医疗”这一事业的兴起，成功带动了医疗领域发展，让医疗系统成为一个横跨多个学科的行业，构建了沉浸式模式识别的医疗系统[3]。

3.2 交通领域

基于机器视觉的图像识别技术在交通领域也得到了广泛的应用。在该领域的应用主要体现在视频检测、智能车辆安全、交通管理等方面。在视频检测方面，主要体现在交通信息采集和交通事件检测上，它通过采集的交通图像分析人、车等交通事务，还可以进行进一步的定位和跟踪。此外，在智能汽车安全方面，利用这一技术可以保证汽车形势安全，在路径识别、追踪、障碍物检测等方面发挥出巨大的作用，这一技术的主要应用集中在智能机器人、无人驾驶技术等方面。而在交通管理方面，基于机器视觉的图像识别技术主要是应用在智能泊车、智能疏散等系统中，随着科学技术的发展，信息技术水平的全面提高，这项技术会在交通领域中得到更加广泛的应用。

3.3 农业领域

除了上述两个方面之外，基于机器视觉的图像识别技术还可以在农业生物环境和能源工程中应用。基于机器视觉的害虫识别已经在国内外得到了广泛应用，包括直接用可见光、近红外光谱、其他光谱、支持向量机、神经网络等。而基于机器视觉的图像识别技术可在实际应用过程中，可以提高识别有效性、准确性、实时性，为农业种植喷药提供重要数据。以基于机器视觉的稻飞虱活体图像识别技术为例，在实际应用中，可以实现现场实时识别，利用拍摄设备采集不同稻飞虱活体图像，通过软件进行实时识别。在预处理稻飞虱活体图像后，对图像进行灰度化、二值化、数学形态学滤波、高斯滤波、平滑滤波等处理，得到高质量圖像，并进行进一步判断，这种计算方法简单稳定、效率较高，满足实时性要求。根据南京农业大学卫岗水稻试验站的实际实验测试结果来看，基于机器视觉的稻飞虱活体图像识别技术在实际应用中可以正常工作，并且实施实时识别并计数。不仅是害虫识别，种植物局部特征识别中也可以应用这一技术，为农业的种植工艺确定奠定良好的基础。

4 基于机器视觉的图像识别技术的应用案例

由上可知，基于机器视觉的图像识别技术可以在各行业中应用，根据上述分析，本文以基于机器视觉的运矸车辆车载图像识别技术为例进行深入研究。运矸车辆车载图像识别技术的主要识别物体就是煤块矸石，这两者实际差别较小，想要依靠表面特点判断，可行性较低，但是利用运矸车辆车载图像识别系统，可以提高识别的精准程度。

首先要完成系统搭建和标定。在运矸车辆车载图像识别系统中选择了Genie Nano M2590工业相机，这款工业摄像机延迟较低、定时精准，广泛应用于基于机器视觉的图像识别系统中，不仅如此，它还被应用于智能交通、物流、交通等生产生活领域。在确定相机型号后，还要确定光学镜头，本文选择了VS1614-10M光学镜头配合工业相机，这个型号光学镜头最大的优点就是和工业相机搭配使用效果良好，且尺寸紧凑、安装灵活、设计的结构小巧。在此基础上，还要进行相机标定实验，根据运矸车辆车载图像识别系统的成像畸变情况、标定流程，根据具体的标定结构就可以进一步确认，系统的准确性和应用效果。其次要完成系统的图像处理技术。在运矸车辆车载图像识别系统中最主要的工作是对图像进行处理，具体步骤如下：一是采集待识别对象的数据;二是数据预处理;三是计算预定的特征参数;四是对待识别对象进行分类识别。在图像滤波过程中，对矸石图像进行噪声处理，分别采用中值滤波算法和自适应中值滤波算法进行处理，根据实际处理效果，发现前一种算法处理后依然残留一定的噪声点，不利于特征参数进行提取，会对最终的识别结果造成影响。

再次要完成轮廓提取和图像裁剪。分别对比不同算子轮廓提取结果，本文选择了Roberts算子、Sobel算子、Canny算子进行对比分析，最终发现Roberts算子和Sobel算子之间的处理结果较好，最终选择了卷积核更小、运算量相对较小的Roberts算子方法完成物体轮廓。图像裁剪工作也是非常重要，通过图像裁剪可以降低计算机负担，保留关键特性，提供计算机处理的快速性。最后要确定图像特征提取方式。本文选择了煤和矸石的几种灰度特征作为分辨识别的依据，利用灰度直方图来完成图像化表示。对煤和矸石的几种灰度特征进行灰度均值、灰度方差之间的计算，得到具体的计算结果后就可以进行目标分类。通过实际研究成果来看，这种先剪裁再处理的方法，有效保留了特征的优质区域，提高了运矸车辆车载图像识别系统特征处理的实时性。不仅如此，还收集了大量的煤和矸石样本照片，建立了样本库，收集支持向量机方法，样本库图片建立分类器，为煤和矸石的分类和鉴定打下了良好的基础。

5 总结

综上所述，基于机器视觉的图像识别技术在图像预处理、特征提取、图像匹配等方面，表现出智能化、多样化的特征，是未来机器视觉的主要发展方向。通过对本文的分析，将机器视觉领域分为视觉检测和机器人视觉。如今它广泛应用于医学检测、智能交通、智能教学等领域，给人们带来了新的生活。

参考文献

[1] 牛世琛.基于机器视觉的运矸车辆车载图像识别技术研究[J].时代汽车，2019（07）：12-13.

[2] 谢永杰，智贺宁.基于机器视觉的图像识别技术研究综述[J].科学技术创新，2018（07）：74-75.

[3] 杨赛.基于张量分析的玉米种子高光谱图像最优波段选择[D].江南大学，2017.