大数据背景下的数字图像识别技术研究

张 丹

咸阳职业技术学院，陕西 咸阳 712000

0 引言

图像识别技术是人工智能的重要领域之一，是指对图像进行对象识别，以识别各种不同模式的目标和对象的技术。图像识别技术是立体视觉、运动分析、数据融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等多个领域具有重要的应用价值。为此，文章在大数据背景下对数字图像识别技术进行了研究。

1 数字图像识别技术原理与过程

1.1 数字图像识别技术原理

数字图像识别技术可以说是计算机技术的一种深入应用，具体是将图像信息先转化为数字信号，然后借助计算机技术实现图像的去噪、增强、复原、特征分割和提取等多个操作[1-2]。数字图像识别技术发展至今共经历了文字识别阶段、数字图像处理与识别阶段、物体识别阶段三个阶段。目前数字图像处理技术已经被广泛应用到了医学、农林业、军事和工业等多个领域，相关技术也在不断发展[3]。

1.2 数字图像识别技术过程

数字图像识别的过程主要分为信息获取、预处理、特征抽取和选择、分类器设计和分类决策等过程。

（1）信息的获取是指通过传感器将声或光信息转化为电信息，即将研究对象的基本信息转为机器可以通过某种方式理解的信息，在图像处理中便是将图像转化为计算机可以识别的数字信号。

（2）图像预处理指的是通过在图像处理过程中对图像进行去噪、平滑和变化等多个操作，增强图像的重要特征。

（3）图像特征抽取和选择指的是在模式识别中进行特征的提取和选择。利用某种方法将研究的图像针对其本身特征进行区分，获取特征的过程即为图像特征提取，对提取到的特征中的有用信息进行提取即为图像特征选择，该过程是数字图像识别技术中的重要技术之一，也是图像识别中的重点环节。

（4）分类器设计指的是通过训练获得一种识别规则，通过这个规则得到特征分类，从而使图像识别技术得到一个较高的识别率。

（5）分类决策是在特征空间中对目标进行分类，以便更好地识别研究对象的隶属类型[4]。

2 数字图像识别技术的方法

在系统识别和发展过程中，数字图像技术在完成识别工作的基础上还可以极大提升识别效率与质量，避免人为失误造成的损失。在数字图像处理过程中，对原始质量差或受到损坏的图像进行处理和纠正增强图像的质量尤为重要，可以避免人为工作疏漏。因此，若想发挥数字图像识别技术的优势，则需充分满足图像处理的需求，加强灰度增强工作[5]。

例如，连续图像f（x，y）经过图像数字化处理后可得到新图像f（a，b），新生成的图像由于所产生的灰度值会导致与原图像的像素存在一定差异。若灰度值大于图像处理前的原始值，像素数会得到提升，使新图像更为明亮；若灰度值小于图像处理前的原始值，像素数会相应降低，新图像比原图像略微暗淡。因此，当灰度值增加时，会改变这种关系，呈现反比例，以便调整图像中灰度值的比例。若需要更改未处理图像的灰度值，可以用如下表达式：

图像进行处理后灰度值为

通过充分利用这些数值变化，合理地进行图像处理。

3 数字图像识别技术的应用

数字图像识别技术目前已经在多个领域得到广泛的应用，比如在警务方面可以完成犯罪嫌疑人的指纹识别；在遥感目标识别方面可以进行地形勘探、地势查探、监测环境灾害、实现自然灾害预测等；在天然气输送方面，可以实现对管道焊口的无损检测、底片的快速识别与检测，保证管道的稳定运行。文章以大数据背景下的数字图像识别技术实现对粮仓库存粮食数量的智能监管，通过研究结果证明了数字图像识别技术的应用可行性[6]。

3.1 图像处理

（1）图像预处理。首先，在图像预处理环节对图像进行灰度化处理，将采集的粮食彩色图像转换为灰度图像，通常采用单分量法、极大值法、平均值法、加权平均数法等方法，以减少处理数据量，提高图像处理速度。文章采用一种简单的平均值法计算彩色图像三通道分量的平均值。其次，对图像进行二值化处理，利用二值化对粮食图像进行处理，更方便地显示目标区域和提取粮食形状。文章采用大津律法进行二值化处理，便于后续的计算。最后，对图像进行锐化处理，补偿图像轮廓，使图像更清晰，采用Sobel算子完成图像锐化[7]。

（2）图像三维变换。文章提出一种基于AKAZE算法的多视图几何三维重建方法，采用非线性尺度分解算法，通过非线性扩散滤波构造尺度空间。该算法的基本步骤如图1所示。

图1 图像三维变化算法步骤

在算法步骤中，借助AKAZE算法提取研究图像的特征点；通过上一步骤得出可靠性较高的二视图关系，完成矩阵计算；三维点云稀疏重建与集束调整是通过研究对象图像的特征点与几何约束关系，重新构建云模型，并借助集束调整对结果进行优化；MPVS算法扩散稀疏点数据是剔除图像灰度一致性较弱的点，从而得出稠密点云模型；最后通过模型网格化与纹理映射，对所得稠密点云模型进行三角网格化，再将获得的无纹理点云模型进行映射得出包含纹理的目标三维模型。

3.2 粮食体积测量

通过对粮食图像进行处理后得出三维图像。在此基础上，通过分析得出粮仓的形状、空间分布等信息，然后通过计算得出粮食体积。常见的粮仓有平方仓、浅圆仓、散堆仓，不同粮仓的具体计算步骤如下。

（1）平方仓体积测量。根据上述操作后得出的三维图像，可得粮仓的长宽高，再利用公式计算出粮食体积，表达式为

式中：V1为粮仓体积；a、b、c分别为粮仓的长、宽、高。

（2）浅圆仓体积测量。浅圆仓的形状近似规则圆柱体，可借助圆柱体公式进行计算出粮食体积，表达式为

式中：V2为粮仓体积；s为粮仓底面积；h为粮仓高度。

（3）散堆仓体积测量。散堆仓形状相对不规则，可近似看作棱台体，借助棱台体公式进行计算出粮食体积，表达式为

式中：V3为粮仓体积；Si为截面面积，i=1,2,…,n；di,i+1为截面间距。

因为用于计算的三维图像由最初的二维图像转换而来，所以轮廓提取存在一定误差，相应的计算量也存在一定误差，但误差较小，不会对结果产生较大影响。通过数字图像识别技术测量出粮食体积后，选定时间作为比对周期，对粮食体积的变化进行监测，当粮食数量减少时，可以通过手机应用程序立即自动向粮仓管理人员发送警报，以便及时采取应对措施。

大数据背景下数字图像识别技术的粮食图像识别技术可以通过对粮食体积的实时监测，实现粮食库存数量的监测，具体是通过将原始二维粮食图像进行图像预处理与三维转换后获得三维信息，以此进行粮食体积的测算，最后对粮食体积进行周期性对比，完成对粮仓粮食库存的监管。体积测量虽存在误差，但具有一定的可信度，验证了该技术方法的可行性。

4 结束语

数字图像处理技术的应用使工业检测、农林业检测、警务侦查工作等逐渐向智能化转变。作为高新技术，数字图像处理技术已经得到广泛应用与推广，可以实现诸多领域的智能监测与数据比对。作为计算机视觉系统的重要技术，三维重建、虚拟现实技术、图像压缩技术等都是数字图像识别技术的未来发展方向与趋势。