摘要：图像识别是信息时代的关键技术之一，利用图像识别技术能够完成传统传感器技术无法实现的任务，同时借助图像识别与多源信息的融合，能够让监测效果更佳精确。随着计算机技术的不断发展，计算机算力进一步提升，对信息的处理能力获得了极大的改善。依托于智能图像识别算法，可以获得识别准确率的提升，也能够降低识别所需的时间，在未来人工智能领域将发挥重要的作用。本文针对智能图像识别技术发展的现状和特点进行了分析，同时对该技术的实现和改进提出了相应的建议。

关键词：计算机；只能图像识别；算法与技术

0引言

随着计算机技术的不断进步，更加先进的算法应用在了图像识别技术中，比如神经网络、遗传算法、小波算法等，这些算法和技术的实现与应用，在提高图像识别准确性和速度方面起到了重要的作用。相比于传统的图像识别技术，智能图像识别技术除了用于更为精确的识别能力之外，其海量的存储能力也为该技术的应用打下了基础，通过数据分类和对比，能够更加方便的进行图像的比对，先进分类算法的应用，即使面对大量的数据也能够游刃有余。随着云技术和大数据技术的普及，将智能识别技术与云数据库关联，能够让智能图像识别技术的功能变得更加强大。

1图像识别技术的原理与发展现状

1.1图像识别技术的原理。（1）图像识别技术的原理。图像识别技术是现在研究领域中非常热门的一种技术，通过图像识别能够解决以往难以解决的问题。而计算机能够利用采集到的图像信息对图片进行分析和处理，进而实现对图像的识别。计算机图像识别技术就是利用图像中的相关特征进行判断，通过这些特征能够对图片进行分析，而计算机中本身存储了海量的图片信息特征，通过计算机的识别与数据库中的信息进行对比，可以实现对图像的识别。这种识别技术与人类图像识别是相似的，都是通过之前的学习实现对新图片的识别。以图像特征为基础的图像识别技术与人眼识别图像是相似的，他们不仅都是利用内部存储的信息进行图像判断，而且在获取图像细节特征的过程中，智能图像识别技术也是模拟人眼识别的过程。根据相关的研究可以发现，人眼在进行图像识别的过程中，眼睛的目光总是跟踪图像上的最显著特征，比如在识别建筑物时，人眼最先观察到的总是建筑物与其他建筑物之间的差别之处，像建筑物上的标志、建筑物的曲线弧度等，之后才是观察建筑物与其他建筑物之间的共性。这也是最能够判断图像信息的要素之一。所以在利用计算机进行识别的过程中，也是首先抓住图像中的特殊要素。在一幅图像中，包含有众多的要素信息，如果将这些要素信息进行逐次识别判断，那么不仅需要耗费大量的计算机算力，同时也会减慢计算机识别的速度。而利用主要信息要素进行图像识别，能够进一步提升计算机的识别速度，并且可以在识别的过程中让计算机不断训练，丰富对特殊要素的认知能力，这样计算机在进行的图像识别过程中内部已经存储了该要素的信息，可以进一步减小图像识别过程中的误判率，提高图像识别的智能化。

1.2图像识别技术的发展现状。图像识别技术的发展已经从文本图像过渡到数字图像。从二十世纪中叶的文本识别研究到中后期的数字图像处理研究，这种发展不仅提高了存储质量，而且提高了信息分析的效率。现场开发提供了丰富的研究成果。与传统的模拟图像识别方法相比，数字图像识别技术的应用可以大大保证数字信息的真实性和完整性，并为各个领域的员工提供实用的图像处理方法，以更好地展现图像信息中包含的数字信息内容。但是现在图像识别也面临着巨大的挑战，随着图像识别技术在各行各业中得到应用，对于其识别精确度、识别速率的要求也越来越高，而图像识别过程本身需要处理大量的数据，所以做好图像特征提取、消除冗余信息影响，将会是智能图像处理技术发展的趋势。

2计算机智能图像识别技术的实现及改进建议

2.1计算机智能图像识别技术的实现。智能图像识别技术能够更加准确和快速的识别出图像信息，要想实现这些功能，需要提前建立起相关图像的模型，并且能够利用学习算法不断优化模型，使得模型中包含的图像特征更加全面。在这个过程中，为了能够减轻图像识别设备的压力，可以将模型的训练过程放在云系统上进行。云端具有超大的存储容量，可以满足对图像数据的存储，同时借助云端的训练能力，能够利用深度学习等智能算法进行模型训练，随着数据库不断丰富，模型能够更加精确。（1）信息采集与预处理。信息采集与预处理是实现图像识别的第一道工序，通过相关设备获取到的图像往往会含有一些噪声信号和干扰源，比如图像中出现过多的噪点，影响对图像信息的提取；图像中除了要识别的主要元素之外还含有其他的干扰影响，这会加剧图像识别算法的压力。所以在进行图像识别之前，需要对图像进行去噪处理。现在主要的图像去噪处理方法为小波去噪和中值去噪，小波去噪能够去除其中的白噪声，降低随机噪声的干扰，而中值去噪能够降低图像中椒盐噪声的影响。通过神经网络、主元分析等方式对这些算法进行优化，能够进一步提升算法性能。（2）边缘信息提取。边缘信息是图像识别过程中的细节信息，这些信息包含了图像的色彩和亮度的变化过程，在图像识别过程中起着非常重要的作用。当前，最常用的提取方法是：空间梯度方法、小波变换方法、Zernike等。上述所有方法都有其自身的优点，并且都具有某些缺点和缺点。例如，空间梯度法能够利用梯度下降的方式，更快的趋近于理想的效果，不过该方法容易在趋近过程中受到梯度参数的影响；小波变换的方式在图像处理过程中最常用，但是小波分解过程所需的时间较长。所以在进行图像识别过程中往往不会单独利用一种方法，而是将多种不同的方式进行结合，以此达到更加精确、快速识别的目的。（3）目标定位。在图像特征提取之后，为了能够更好的进行识别，往往需要针对图像中的某些区域进行进一步分析，以此提高判断的准确度，这便是图像识别过程中的目标定位。在某些定位过程中，背景的复杂度越高，对定位精度的影响就越大，因为目标会影响定位。因此，可以将图像的颜色、边缘信息以及纹理特征等因素作为目标定位的基本条件。

2.2图像识别技术的改进。图像识别技术在视频跟踪中用到的最多，但是传统视频图像识别技术一般采用MeanShift算法，该算法不需要参数及快速模式匹配的特点所以在视频图像踪领域中被广泛使用。但是因为此算法无法有效更新系统，并且无法改变核函数窗宽，以此严重影响了跟踪的精准度。在目标具有明显的尺度变化过程中，会使尺度不精准，还会丢失目标。针对这一问题，可以通过基于CamShift的视频跟踪算法对视频图像识别与跟踪技术进行改进。图像识别中，对于颜色的感知能力是非常重要的。我们都知道RGB颜色空间对于光照亮度的变化较为敏感，而这种敏感特性在图像识别的过程中容易产生影响，不利于计算机对颜色信息的判断。所以为了能够避免该问题，该算法能够将图像从RGB颜色空间转变成为HSV颜色空间，从而实现后续的处理。

3结束语

图像识别技术的应用能够提升操作的方便性，进一步提升生产效率。在智能图像识别算法中，能够获得更大的数据库，同时能够在数据分类和判断中提供更加精准的依据，当然，这些都要借助于智能算法模型。在人工智能不断发展的今天，智能识别技术将会进一步应用于自动驾驶、工业生产、智慧生活等多个领域，利用先进的识别技术和算法以及大数据技术，可以让智能图像识别能力获得质的提升。

作者:黄晓璐 单位:河南护理职业学院