谈计算机视觉技术图像识别复原

前言：想要写出一篇引人入胜的文章？我们特意为您整理了谈计算机视觉技术图像识别复原范文，希望能给你带来灵感和参考，敬请阅读。

摘要：图像由于噪声、存储不当、拍摄条件等原因会造成图像质量不佳，对有特殊需求者需要对图像进行增强与复原处理。从图像识别技术阐述了图像信息转换为计算机识别的数字信息，并处理存储。通过样图的滤波处理、消除噪声了举例说明了图片通过滤波方式可以进行图像的增强与复原。

关键词：图像识别；图像增强；维纳滤波；图像复原

1图像识别

电子设备对图像识别方式与生物视觉读取原理是基本一致的，图像读取过程也是基本相似的。图像的识别分为以下几个过程，首先是通过传感器对外部信息的采集获取相应数据、传感器通过变送器对采集的信息做一个初步的预处理过程、运算模块对图像特征判定、控制模块对所有信息进行判定并转换存储。

1.1信息的获取

通过视觉测量传感器，对事物外观尺寸、颜色、灰度、对比度等信息转化为电信号提供给测量模块。获取研究对象的基本信息并通过对传感器电信号测量将其传输给运算模块进行运算转码存储。平时看到的图像，在显示上无限放大后就会发现是由大量的颗粒组成的，颗粒与颗粒之间存在非常微小的缝隙，这种缝隙靠肉眼已经无法辨别了，因此看的图像是连续的，可实际在显示过程中确实通过每个LED经管明暗度、色彩等信息的变化而形成的连贯的图像画面，如常见显示器像素1920*1280个像素点构成，现在的2K/4K显示器的显示点数就更多了，这种画面快速地切换就形成了视频的效果，最初的动画就是利用这种原理制成的。而电子设备通过传感器的采集得到的信息也是由多个点的信息进行存储的，也就是相机、手机等电子产品所说的像素，多少像素就是多少个存储信息点组成的图像画面，只是在电子存储过程通过各种压缩方式存储的图像有所不同，但基本原来都是一样的。每一个响度点的存储信息是一般都是有这个点的R、G、B3原色的数据值进行记录存储，也就是每张图片都由一个三维数组矩阵叠加的方式进行记录的，每个记录点的数值都在颜色0-255之间矩阵叠加。RGB图像与索引图像都可以用来表示彩色图像。只是RGB存储方式是采用3原色的数值记录的方式，再进行合成运算，然后通过显示模块进行显示出来，而索引图像的显示存储方式是有二维数组以矩阵的形式进行保存，也就是一个数量存储一张图片，其中还存有对比度与灰度信息。一个像素点存储的数据类型一般为8位无符号整型信息，但是随着电子技术的发展，像素的不断扩容，一张图片的存储空间已经达到几兆甚至十几兆的容量空间。数字化图像数据有两种存储方式：位图存储（Bitmap）和矢量存储（Vector），也就是不同的存储格式，BMP，GIF，GEPG等格式均是由不同的压缩方式进行转换存储，可容量大小，显示效果却有不同。

1.2预处理

图像在形成的过程中，会由于干扰，转换压缩等方式造成图片的信息失真，这种失真最主要的原因就是噪声，因此对于成像过程中，如何消除噪声才是最根本的问题，噪声如何消除主要分为几个过程，为保证算法的精准先进行一步预处理是尤为重要的，可以判断预处理后消除噪声的方向是否正确，是否需要进行反向处理，以修正偏差，保证图片的真实效果。从而改进特征抽取、图像分割、匹配和识别的可靠性。图像预处理，一般处理方式都是将图片中的信息进行分类，保证信息的分类降噪处理，保证每个组块的信息用不同程度的降噪算法，得到更加理想的图像效果。图像预处理的目的是消除图像中无用的信息，恢复真实有用的信息，增强需要处理信息的可识别性和最大限度地简化数据，一般通过数字化、几何变换、归一法、平滑、复原和增强等步骤。滤波主要是将干扰信息从需要的信息分离，通过选频的方式，将有用的频率过滤处理，形成可用信息，或将干扰信息源的频段去除掉，进行放逐处理以得到理想的需求信息，图像识别过程中对于图像采集过程的干扰信息滤除尤为重要。图像的归一法和直方图有些相似之处，在一定程度上可以将每个像素点的值由0-255的像素色彩值变为0或者1，将图像色彩差距变得更小呈现阶梯样式。在目标与背景对比度差别较大时这种方法效果较好，否则会出现图像分割粘连现象导致无法分割。图像的平滑这种滤波方式是在图像灰度在跳变方面的一种抑制，图像的锐化滤波处理则与平滑滤波刚好相反，它是对图像的灰度跳变的一种增强，突出图像的细节信息变化；平滑和锐化都滤波处理方式，都用同一滤波处理函数，都是先建立个滤波器，但区别在于选择不同的滤波方式算子不同。锐化滤波处理其实是对噪声信息的一种增强，在很多处理过程中可以将图像锐化和平滑结合使用，若画面本身就有明显的噪声，可先平滑处理再进行锐化处理，若图像锐化处理之后有了噪声，可再去进行平滑处理。

1.3特征抽取和选择

为了更加有效地对图像进行识别，一般在图像识别之前先进行模式的辨别，进行模式判定后再制定模式算法才是更加行之有效的方法；图像如何先进行模式辨别，主要方法多为样本抽取，抽取样本通过这些图像所具有的本身特征进行识别，而获取这些特征过程就是特征的抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的，这个时候就要提取有用的特征，这就是特征的选择。

1．3．1像素特征提取将图像像素点进行二值化提取，像素点是黑色为1，若是白色则为0。对二值化后的0和1进行排列，通过像素点个数和维数确定对应的向量矩阵。

1.3.2骨架特征提取图像边缘交界线的宽度会直接影响识别的效果，要先对轮廓的线条进行统一处理，再进行线条分界线内特征进行提取，得到对应的特征向量矩阵。

1.3.3图像特征点提取主要方法有梯度统计、弧度统计、角点提取等。原理是将提取数据进行分成8个模块，再计算黑色像素点个数作为特征。

1.3.4分类器设计通过以上几种特征提取制定特征识别规则，按特征判定将图像按规则划分，一种识别规则可以得出一种特征分类，每种特征分类关联一种算法，为了使图像识别算法能够得到高识别率。分类决策是设计分类器的重要指标，从而更好地识别所研究的对象是属于哪一类。图像增强的目标是为了改进图片的质量。

2图像复原的基本方法

2.1图像噪声

是图像在拍摄、转换、压缩、存储等图像成像过程中受到随机信号干扰掺杂到真实图像中不必要的或多余的干扰信息数据。为得到理想真实的画面，需要对去除噪声，还原真实图像，这个过程称之为图像复原。图像噪声的产生图像在拍摄过程中或传输保存时受到的随机的干扰信号，在图像中各种妨碍人们对真实准确的信息接受的因素。图像中存在噪声将严重影响了图像的质量，因此在对图像应用处理之前，必须予以纠正消除噪声，体现真实图像再进行处理应用。因此在对图像处理之前，要用技术手段滤除图像噪声，图像噪声为不可预测的信源，只能用概率统计的方法来计算随机误差。在数字图像系统中，图像的输入都是采用先锁定内容再进行扫描的方式将多维图像信息转换成为一维数据，再对其进行加工、存储、传输等变换处理。最后还要再组成多维图像显示出来，而图像中的噪声也同样受到这样的处理被分解合成，因此在图像的增强与复原对图像质量尤为重要。

2.2图像增强

图像增强主要是对图像进行滤波或变换的处理常用方法一般为频率域法和空间域法。频率域法是把图像看成一种二维信号，进行傅里叶变换来增强信号的一种方法。空域滤波是在原始图像上直接进行数据运算，对各个像素的对比度值进行处理。空间域对图像去噪的算法常见的有采用低通滤波法，可去掉图像中的噪声，采用高通滤波法，则可增强边缘。中值滤波法，局部求平均值法，可以消除噪声，邻域平均法使图像更加清晰等。

2.3图像复原

图像分割对与图像分析是一道重要程序，就是把图像分成若干个指定大小，并且具有独特特征性质的区域，提取出感兴趣想得到的目标过程的技术手段。常用的方式有阈值分割法，是一种计算公式算法简单，得出结果效率较高、运算速度快。在重视运算效率的应用场合，它的应用非常广泛。因此人们研究出各种各样的阈值处理方法，包括自适应阈值应用最多、最佳阈值效果最好、全局阈值最为高效等。维纳滤波是一种对平稳过程的最优估计，基于最小均方误差准则。实际的本质就是要使估计误差均方值最小化。这种滤波器的误差值是最小的，它得出的结果也是最佳的，一般用于提取被稳定噪声所污染的信息源，得到理想图像效果。如图1所示。根据测试结果发现维纳滤波杜绝退化图像与运动模糊图像相当于逆滤波，维纳滤波需要估计图像的信噪比或者噪信比，信号的功率的图谱使用需复原图像的方差，噪声分布是已知可以计算的，恢复运动模糊效果良好。噪信比估计的准确性对图像影响比较大，利用自相关函数的维纳滤波是效果最好的。

参考文献

[1]张晓娟,高瑾.计算机图像识别技术的应用及细节问题阐述与分析[J].电子技术与软件工程,2016.

[2]阮秋琦.数字图像处理的MATLAB实现.2版.清华大学出版社,2019.

[3]王小玉.图像去噪复原方法研究.电子工业出版社,2017.

[4]李秋萍.数字图像复原专利技术综述.2019,(3):248.

[5]童零晶.基于视觉传达技术的交通标志图像智能识别.现代电子技术,2020,43(11):55-58.

[6]何晓莹.基于机器视觉的图像识别技术分析.中国科技纵横,2019,(19):39-40.

作者：岑红 单位：茂名技师学院