正文

圖像識別算法原理

發(fā)布時間：2023-04-17 19:18:22 稿源：創(chuàng)意嶺閱讀： 78

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于圖像識別算法原理的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、OCR 技術(shù)淺析
2、圖像識別算法都有哪些
3、百度識圖是怎么做到的
4、如何通過人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)圖像識別

圖像識別算法原理

一、OCR 技術(shù)淺析

隨著人工智能的熱度上升，圖像識別這一分領(lǐng)域也漸漸被人們所關(guān)注。圖像識別中最貼近我們生活的可能就是 OCR 技術(shù)了?？赡芎芏嗤瑢W還不知道什么是 OCR。我們先來看下 OCR 的定義：

今天就來簡單分析下 OCR 技術(shù)的原理，不會涉及具體的算法講解和推導，畢竟每一個算法都能占很長的篇幅，每一個算法都能重新開一篇來寫。

從整體上來說，OCR一般分為兩個大步驟：圖像處理以及文字識別。

識別文字前，我們要對原始圖片進行預處理，以便后續(xù)的特征提取和學習。這個過程通常包含：灰度化、二值化、降噪、傾斜矯正、文字切分等子步驟。每一個步驟都涉及了不同的算法。我們以下面這張原始圖片為例，進行每個步驟的講解。

灰度化（gray processing），在RGB模型中，如果R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個像素只需一個字節(jié)存放灰度值（又稱強度值、亮度值），灰度范圍為0-255。說通俗一點，就是將一張彩色圖片變?yōu)楹诎讏D片。

灰度化一般有分量法、最大值法、平均值法、加權(quán)平均法四種方法對彩色圖像進行灰度化。

一幅圖像包括目標物體、背景還有噪聲，要想從多值的數(shù)字圖像中直接提取出目標物體，最常用的方法就是設(shè)定一個閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化（binaryzation）。

二值化的黑白圖片不包含灰色，只有純白和純黑兩種顏色。

二值化里最重要的就是閾值的選取，一般分為固定閾值和自適應閾值。比較常用的二值化方法則有：雙峰法、P參數(shù)法、迭代法和OTSU法等。

現(xiàn)實中的數(shù)字圖像在數(shù)字化和傳輸過程中常受到成像設(shè)備與外部環(huán)境噪聲干擾等影響，稱為含噪圖像或噪聲圖像。減少數(shù)字圖像中噪聲的過程稱為圖像降噪（Image Denoising）。

圖像中噪聲的來源有許多種，這些噪聲來源于圖像采集、傳輸、壓縮等各個方面。噪聲的種類也各不相同，比如椒鹽噪聲，高斯噪聲等，針對不同的噪聲有不同的處理算法。

在上一步得到的圖像中可以看到很多零星的小黑點，這就是圖像中的噪聲，會極大干擾到我們程序?qū)τ趫D片的切割和識別，因此我們需要降噪處理。降噪在這個階段非常重要，降噪算法的好壞對特征提取的影響很大。

圖像降噪的方法一般有均值濾波器、自適應維納濾波器、中值濾波器、形態(tài)學噪聲濾除器、小波去噪等。

對于用戶而言，拍照的時候不可能絕對的水平，所以，我們需要通過程序?qū)D像做旋轉(zhuǎn)處理，來找一個認為最可能水平的位置，這樣切出來的圖，才有可能是最好的一個效果。

傾斜矯正最常用的方法是霍夫變換，其原理是將圖片進行膨脹處理，將斷續(xù)的文字連成一條直線，便于直線檢測。計算出直線的角度后就可以利用旋轉(zhuǎn)算法，將傾斜圖片矯正到水平位置。

對于一段多行文本來講，文字切分包含了行切分與字符切分兩個步驟， 傾斜矯正 是文字切分的前提。我們將 傾斜矯正 后的文字投影到 Y軸，并將所有值累加，這樣就能得到一個在y軸上的直方圖。

直方圖的谷底就是背景，峰值則是前景（文字）所在的區(qū)域。于是我們就將每行文字的位置給識別出來了。

字符切分和行切分類似，只是這次我們要將每行文字投影到 X軸。

但要注意的是，同一行的兩個字符往往挨的比較緊，有些時候會出現(xiàn)垂直方向上的重疊，投影的時候?qū)⑺麄冋J為是一個字符，從而造成切割的時候出錯（多出現(xiàn)在英文字符）；也有些時候同一個字符的左右結(jié)構(gòu)在X軸的投影存在一個小間隙，切割的時候誤把一個字符切分為兩個字符（多出現(xiàn)在中文字符）。所以相較于行切分，字符切分更難。

對于這種情況，我們可以預先設(shè)定一個字符寬度的期望值，切出的字符如果投影超出期望值太大，則認為是兩個字符；如果遠遠小于這個期望值，則忽略這個間隙，把間隙左右的“字符”合成一個字符來識別。

預處理完畢后，就到了文字識別的階段。這個階段會涉及一些人工智能方面的知識，比較抽象，沒法用圖片表達，我盡量講得簡單易懂一些。

特征是用來識別文字的關(guān)鍵信息，每個不同的文字都能通過特征來和其他文字進行區(qū)分。對于數(shù)字和英文字母來說，這個特征提取是比較容易的，總共就 10 + 26 x 2 = 52 個字符，而且都是小字符集。對于漢字來說，特征提取的難度就比較大了，因為首先漢字是大字符集；其次國標中光是最常用的第一級漢字就有3755個；最后漢字結(jié)構(gòu)復雜，形近字多，特征維度就比較大。

在確定了使用何種特征后，還有可能要進行特征降維，這種情況下，如果特征的維數(shù)太高，分類器的效率會受到很大的影響，為了提高識別速率，往往就要進行降維，這個過程也很重要，既要降低特征維數(shù)，又得使得減少維數(shù)后的特征向量還保留了足夠的信息量（以區(qū)分不同的文字）。

對一個文字圖像，提取出特征，丟給分類器，分類器就對其進行分類，告訴你這個特征該識別成哪個文字。分類器的設(shè)計就是我們的任務。分類器的設(shè)計方法一般有：模板匹配法、判別函數(shù)法、神經(jīng)網(wǎng)絡(luò)分類法、基于規(guī)則推理法等，這里不展開敘述。在進行實際識別前，往往還要對分類器進行訓練，這是一個監(jiān)督學習的過程。成熟的分類器也有很多，有 SVM，CNN 等。

其實就是對于分類器的分類結(jié)果進行優(yōu)化，這一般就要涉及自然語言理解的范疇了。

首先是形近字的處理：舉個栗子，“分”和“兮”形近，但是如果遇到“分數(shù)”這個詞語，就不應該識別為“兮數(shù)”，因為“分數(shù)”才是一個正常詞語。這需要通過語言模型來進行糾正。

其次是對于文字排版的處理：比如一些書籍是分左右兩欄的，同一行的左右兩欄不屬于同一句話，不存在任何語法上的聯(lián)系。如果按照行切割，就會把左行的末尾和右行的開頭連在一起，這是我們不希望看到的，這樣的情況需要進行特殊處理。

OCR 的大致原理就是這樣。整體上來看，OCR 的步驟繁多，涉及的算法復雜，針對每一個步驟，每一個算法都有許多單獨的研究論文，本文無法進行深入探討。如果從零開始做 OCR，這將是一個浩大的工程。筆者才疏學淺，對于模式識別、機器學習也屬于入門階段，如果有錯漏的地方，還請各位斧正。

二、圖像識別算法都有哪些

圖像識別算法：

1 人臉識別類（Eigenface，F(xiàn)isherface 算法特別多），人臉檢測類（j-v算法，mtcnn)

2 車牌識別類，車型識別類（cnn）

3 字符識別（cnn)

。。。

無論什么識別算法：本質(zhì)都是對圖像（多維度矩陣）的分類或者擬合算法。

那么如何設(shè)計一個函數(shù)，讓不同的矩陣輸入進去，得到相應的分類結(jié)果和擬合結(jié)果呢？

一般的方案是，

a 先對圖像做預處理（邊緣檢測，濾波操作，二值化等，圖像縮放，歸一化等）

b 提取特征。（對預處理后的圖像進一步降低起數(shù)據(jù)維度，比如lbp特征，hog特征等）

c 采用機器學習的方法進行分類或者擬合（svm,bp,邏輯回歸等）

三、百度識圖是怎么做到的

識圖分兩部分完成，一是圖像識別，二是檢索技術(shù)。

圖片搜索的原理有三個步驟

1. 將目標圖片進行特征提取，描述圖像的算法很多，用的比較多的是：SIFT描述子，指紋算法函數(shù)，bundling features算法，hash function（散列函數(shù)）等。也可以根據(jù)不同的圖像，設(shè)計不同的算法，比如圖像局部N階矩的方法提取圖像特征。

2. 將圖像特征信息進行編碼，并將海量圖像編碼做查找表。

3. 相似度匹配運算：利用目標圖像的編碼值，在圖像搜索引擎中的圖像數(shù)據(jù)庫進行全局或是局部的相似度計算。

百度識圖是百度圖片搜索近期推出的一項新功能。常規(guī)的圖片搜索，是通過輸入關(guān)鍵詞的形式搜索到互聯(lián)網(wǎng)上相關(guān)的圖片資源，而百度識圖則能實現(xiàn)用戶通過上傳圖片或輸入圖片的url地址，從而搜索到互聯(lián)網(wǎng)上與這張圖片相似的其他圖片資源，同時也能找到這張圖片相關(guān)的信息。

百度識圖用途：

1. 當想要了解一個不熟悉的明星或其他人物的相關(guān)信息時，如姓名、新聞等；

2. 當想要了解某張圖片背后的相關(guān)信息時，如拍攝時間、地點、背后的一些故事等；

3. 當手上已經(jīng)有一張圖片，想要找一張尺寸更大的，或是沒有水印的，或是ps處理之前的原圖；

4. 當想要了解，這張圖片還被哪些網(wǎng)站引用時；

四、如何通過人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)圖像識別

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）（簡稱ANN）系統(tǒng)從20 世紀40 年代末誕生至今僅短短半個多世紀，但由于他具有信息的分布存儲、并行處理以及自學習能力等優(yōu)點，已經(jīng)在信息處理、模式識別、智能控制及系統(tǒng)建模等領(lǐng)域得到越來越廣泛的應用。尤其是基于誤差反向傳播（Error Back Propagation）算法的多層前饋網(wǎng)絡(luò)（Multiple-Layer Feedforward Network）(簡稱BP 網(wǎng)絡(luò))，可以以任意精度逼近任意的連續(xù)函數(shù)，所以廣泛應用于非線性建模、函數(shù)逼近、模式分類等方面。

目標識別是模式識別領(lǐng)域的一項傳統(tǒng)的課題，這是因為目標識別不是一個孤立的問題，而是模式識別領(lǐng)域中大多數(shù)課題都會遇到的基本問題，并且在不同的課題中，由于具體的條件不同，解決的方法也不盡相同，因而目標識別的研究仍具有理論和實踐意義。這里討論的是將要識別的目標物體用成像頭(紅外或可見光等)攝入后形成的圖像信號序列送入計算機，用神經(jīng)網(wǎng)絡(luò)識別圖像的問題。

一、BP 神經(jīng)網(wǎng)絡(luò)

BP 網(wǎng)絡(luò)是采用Widrow-Hoff 學習算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。一個典型的BP 網(wǎng)絡(luò)采用的是梯度下降算法，也就是Widrow-Hoff 算法所規(guī)定的。backpropagation 就是指的為非線性多層網(wǎng)絡(luò)計算梯度的方法。一個典型的BP 網(wǎng)絡(luò)結(jié)構(gòu)如圖所示。

圖像識別算法原理

我們將它用向量圖表示如下圖所示。

圖像識別算法原理

其中：對于第k 個模式對，輸出層單元的j 的加權(quán)輸入為

圖像識別算法原理

該單元的實際輸出為

圖像識別算法原理

而隱含層單元i 的加權(quán)輸入為

圖像識別算法原理

該單元的實際輸出為

圖像識別算法原理

函數(shù)f 為可微分遞減函數(shù)

圖像識別算法原理

其算法描述如下：

（1）初始化網(wǎng)絡(luò)及學習參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣、學習因子等。

（2）提供訓練模式，訓練網(wǎng)絡(luò)，直到滿足學習要求。

（3）前向傳播過程：對給定訓練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行（4）；否則，返回（2）。

（4）后向傳播過程：a. 計算同一層單元的誤差；b. 修正權(quán)值和閾值；c. 返回（2）

二、 BP 網(wǎng)絡(luò)隱層個數(shù)的選擇

對于含有一個隱層的三層BP 網(wǎng)絡(luò)可以實現(xiàn)輸入到輸出的任何非線性映射。增加網(wǎng)絡(luò)隱層數(shù)可以降低誤差，提高精度，但同時也使網(wǎng)絡(luò)復雜化，增加網(wǎng)絡(luò)的訓練時間。誤差精度的提高也可以通過增加隱層結(jié)點數(shù)來實現(xiàn)。一般情況下，應優(yōu)先考慮增加隱含層的結(jié)點數(shù)。

三、隱含層神經(jīng)元個數(shù)的選擇

當用神經(jīng)網(wǎng)絡(luò)實現(xiàn)網(wǎng)絡(luò)映射時，隱含層神經(jīng)元個數(shù)直接影響著神經(jīng)網(wǎng)絡(luò)的學習能力和歸納能力。隱含層神經(jīng)元數(shù)目較少時，網(wǎng)絡(luò)每次學習的時間較短，但有可能因為學習不足導致網(wǎng)絡(luò)無法記住全部學習內(nèi)容；隱含層神經(jīng)元數(shù)目較大時，學習能力增強，網(wǎng)絡(luò)每次學習的時間較長，網(wǎng)絡(luò)的存儲容量隨之變大，導致網(wǎng)絡(luò)對未知輸入的歸納能力下降，因為對隱含層神經(jīng)元個數(shù)的選擇尚無理論上的指導，一般憑經(jīng)驗確定。

四、神經(jīng)網(wǎng)絡(luò)圖像識別系統(tǒng)

人工神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)模式識別，可處理一些環(huán)境信息十分復雜，背景知識不清楚，推理規(guī)則不明確的問題，允許樣品有較大的缺損、畸變，神經(jīng)網(wǎng)絡(luò)方法的缺點是其模型在不斷豐富完善中，目前能識別的模式類還不夠多，神經(jīng)網(wǎng)絡(luò)方法允許樣品有較大的缺損和畸變，其運行速度快，自適應性能好，具有較高的分辨率。

神經(jīng)網(wǎng)絡(luò)的圖像識別系統(tǒng)是神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)的一種，原理是一致的。一般神經(jīng)網(wǎng)絡(luò)圖像識別系統(tǒng)由預處理，特征提取和神經(jīng)網(wǎng)絡(luò)分類器組成。預處理就是將原始數(shù)據(jù)中的無用信息刪除，平滑，二值化和進行幅度歸一化等。神經(jīng)網(wǎng)絡(luò)圖像識別系統(tǒng)中的特征提取部分不一定存在，這樣就分為兩大類：① 有特征提取部分的：這一類系統(tǒng)實際上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法技術(shù)的結(jié)合，這種方法可以充分利用人的經(jīng)驗來獲取模式特征以及神經(jīng)網(wǎng)絡(luò)分類能力來識別目標圖像。特征提取必須能反應整個圖像的特征。但它的抗干擾能力不如第2類。② 無特征提取部分的：省去特征抽取，整副圖像直接作為神經(jīng)網(wǎng)絡(luò)的輸入，這種方式下，系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復雜度大大增加了，輸入模式維數(shù)的增加導致了網(wǎng)絡(luò)規(guī)模的龐大。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)需要完全自己消除模式變形的影響。但是網(wǎng)絡(luò)的抗干擾性能好，識別率高。

當BP 網(wǎng)用于分類時，首先要選擇各類的樣本進行訓練，每類樣本的個數(shù)要近似相等。其原因在于一方面防止訓練后網(wǎng)絡(luò)對樣本多的類別響應過于敏感，而對樣本數(shù)少的類別不敏感。另一方面可以大幅度提高訓練速度，避免網(wǎng)絡(luò)陷入局部最小點。

由于BP 網(wǎng)絡(luò)不具有不變識別的能力，所以要使網(wǎng)絡(luò)對模式的平移、旋轉(zhuǎn)、伸縮具有不變性，要盡可能選擇各種可能情況的樣本。例如要選擇不同姿態(tài)、不同方位、不同角度、不同背景等有代表性的樣本，這樣可以保證網(wǎng)絡(luò)有較高的識別率。

構(gòu)造神經(jīng)網(wǎng)絡(luò)分類器首先要選擇適當?shù)木W(wǎng)絡(luò)結(jié)構(gòu)：神經(jīng)網(wǎng)絡(luò)分類器的輸入就是圖像的特征向量；神經(jīng)網(wǎng)絡(luò)分類器的輸出節(jié)點應該是類別數(shù)。隱層數(shù)要選好，每層神經(jīng)元數(shù)要合適，目前有很多采用一層隱層的網(wǎng)絡(luò)結(jié)構(gòu)。然后要選擇適當?shù)膶W習算法，這樣才會有很好的識別效果。在學習階段應該用大量的樣本進行訓練學習，通過樣本的大量學習對神經(jīng)網(wǎng)絡(luò)的各層網(wǎng)絡(luò)的連接權(quán)值進行修正，使其對樣本有正確的識別結(jié)果，這就像人記數(shù)字一樣，網(wǎng)絡(luò)中的神經(jīng)元就像是人腦細胞，權(quán)值的改變就像是人腦細胞的相互作用的改變，神經(jīng)網(wǎng)絡(luò)在樣本學習中就像人記數(shù)字一樣，學習樣本時的網(wǎng)絡(luò)權(quán)值調(diào)整就相當于人記住各個數(shù)字的形象，網(wǎng)絡(luò)權(quán)值就是網(wǎng)絡(luò)記住的內(nèi)容，網(wǎng)絡(luò)學習階段就像人由不認識數(shù)字到認識數(shù)字反復學習過程是一樣的。神經(jīng)網(wǎng)絡(luò)是按整個特征向量的整體來記憶圖像的，只要大多數(shù)特征符合曾學習過的樣本就可識別為同一類別，所以當樣本存在較大噪聲時神經(jīng)網(wǎng)絡(luò)分類器仍可正確識別。在圖像識別階段，只要將圖像的點陣向量作為神經(jīng)網(wǎng)絡(luò)分類器的輸入，經(jīng)過網(wǎng)絡(luò)的計算，分類器的輸出就是識別結(jié)果。

五、仿真實驗

1、實驗對象

本實驗用MATLAB 完成了對神經(jīng)網(wǎng)絡(luò)的訓練和圖像識別模擬。從實驗數(shù)據(jù)庫中選擇0～9 這十個數(shù)字的BMP 格式的目標圖像。圖像大小為16×8 像素，每個目標圖像分別加10％、20％、30％、40％、50％大小的隨機噪聲，共產(chǎn)生60 個圖像樣本。將樣本分為兩個部分，一部分用于訓練，另一部分用于測試。實驗中用于訓練的樣本為40個，用于測試的樣本為20 個。隨機噪聲調(diào)用函數(shù)randn(m,n)產(chǎn)生。

2、網(wǎng)絡(luò)結(jié)構(gòu)

本試驗采用三層的BP 網(wǎng)絡(luò)，輸入層神經(jīng)元個數(shù)等于樣本圖像的象素個數(shù)16×8 個。隱含層選24 個神經(jīng)元，這是在試驗中試出的較理想的隱層結(jié)點數(shù)。輸出層神經(jīng)元個數(shù)就是要識別的模式數(shù)目，此例中有10 個模式，所以輸出層神經(jīng)元選擇10 個，10 個神經(jīng)元與10 個模式一一對應。

3、基于MATLAB 語言的網(wǎng)絡(luò)訓練與仿真

建立并初始化網(wǎng)絡(luò)

% ================
S1 = 24;% 隱層神經(jīng)元數(shù)目S1 選為24
[R,Q] = size(numdata);
[S2,Q] = size(targets);
F = numdata;
P=double(F);
net = newff(minmax(P),[S1 S2],{'logsig'
'logsig'},'traingda','learngdm')

這里numdata 為訓練樣本矩陣，大小為128×40， targets 為對應的目標輸出矩陣，大小為10×40。

newff(PR,[S1 S2…SN],{TF1 TF2…TFN}，BTF,BLF,PF)為MATLAB 函數(shù)庫中建立一個N 層

前向BP 網(wǎng)絡(luò)的函數(shù)，函數(shù)的自變量PR 表示網(wǎng)絡(luò)輸入矢量取值范圍的矩陣[Pmin max];S1~SN 為各層神經(jīng)元的個數(shù)；TF1~TFN 用于指定各層神經(jīng)元的傳遞函數(shù)；BTF 用于指定網(wǎng)絡(luò)的訓練函數(shù)；BLF 用于指定權(quán)值和閥值的學習函數(shù)；PF 用于指定網(wǎng)絡(luò)的性能函數(shù)，缺省值為‘mse’。

設(shè)置訓練參數(shù)

net.performFcn = 'sse'; %平方和誤差
性能函數(shù)
net.trainParam.goal = 0.1; %平方和誤
差目標
net.trainParam.show = 20; %進程顯示
頻率
net.trainParam.epochs = 5000;%最大訓
練步數(shù)
net.trainParam.mc = 0.95; %動量常數(shù)
網(wǎng)絡(luò)訓練
net=init(net);%初始化網(wǎng)絡(luò)
[net,tr] = train(net,P,T);％網(wǎng)絡(luò)訓練
對訓練好的網(wǎng)絡(luò)進行仿真
D=sim(net,P);
A = sim(net,B);

B 為測試樣本向量集,128×20 的點陣。D 為網(wǎng)絡(luò)對訓練樣本的識別結(jié)果，A 為測試樣本的網(wǎng)絡(luò)識別結(jié)果。實驗結(jié)果表明：網(wǎng)絡(luò)對訓練樣本和對測試樣本的識別率均為100％。如圖為64579五個數(shù)字添加50%隨機噪聲后網(wǎng)絡(luò)的識別結(jié)果。

圖像識別算法原理