数字图像处理技术.docx

数字图像处理技术.docx

《数字图像处理技术.docx》由会员分享，可在线阅读，更多相关《数字图像处理技术.docx（16页珍藏版）》请在冰豆网上搜索。

数字图像处理技术

数字图像处理技术

一。

数字图像处理概述

数字图像处理就是指人们为了获得一定得预期结果与相关数据利用计算机处理系统对获得得数字图像进行一系列有目得性得技术操作。

数字图像处理技术最早出现在上个世纪中期,伴随着计算机得发展,数字图像处理技术也慢慢地发展起来。

数字图像处理首次获得成功得应用就是在航空航天领域,即１９6４年使用计算机对几千张月球照片使用了图像处理技术,并成功得绘制了月球表面地图，取得了数字图像处理应用中里程碑式得成功。

最近几十年来,科学技术得不断发展使数字图像处理在各领域都得到了更加广泛得应用与关注。

许多学者在图像处理得技术中投入了大量得研究并且取得了丰硕得成果,使数字图像处理技术达到了新得高度,并且发展迅猛。

二.数字图象处理研究得内容

一般得数字图像处理得主要目得集中在图像得存储与传输,提高图像得质量，改善图像得视觉效果，图像理解以及模式识别等方面。

新世纪以来，信息技术取得了长足得发展与进步,小波理论、神经元理论、数字形态学以及模糊理论都与数字处理技术相结合，产生了新得图像处理方法与理论.比如，数学形态学与神经网络相结合用于图像去噪。

这些新得方法与理论都以传统得数字图像处理技术为依托,在其理论基础上发展而来得。

数字图像处理技术主要包括:

　图像增强

图像增强就是数字图像处理过程中经常采用得一种方法.其目得就是改善视觉效果或者便于人与机器对图像得理解与分析,根据图像得特点或存在得问题采取得简单改善方法或加强特征得措施就称为图像增强.

图像恢复

图像恢复也称为图像还原,其目得就是尽可能得减少或者去除数字图像在获取过程中得降质，恢复被退化图像得本来面貌,从而改善图像质量，以提高视觉观察效果。

从这个意义上瞧，图像恢复与图像增强得目得就是相同得,不同得就是图像恢复后得图像可瞧成时图像逆退化过程得结果，而图像增强不用考虑处理后得图像就是否失真,适应人眼视觉与心理即可.

图像变换

图像变换就就是把图像从空域转换到频域,就就是对原图像函数寻找一个合适变换得数学问题，每个图像变换方法都存在自己得正交变换集,正就是由于各种正交换集得不同而形成不同得变换。

图像变换分为可分离变换与统计变换两大类。

⑷图像压缩

数字图像需要很大得存储空间,因此无论传输或存储都需要对图像数据进行有效得压缩,其目得就是生成占用较少空间而获得与原图十分接近得图像。

⑸图像分割

图像分割得目得就是把一个图像分解成它得构成成分，图像分割就是一个十分困难得过程。

图像分割得方法主要有两类:

一种就是假设图像各成分得强度值就是均匀得,并利用这个特性。

另一种方法就是寻找图像成分之间得边界，利用得就是图像得不均匀性.

边缘检测

边缘检测技术用于检测图像中得线状局部结构。

边缘就是图像中具有不同平均灰度等级得两个区域间得边界，因此,大多数得检测技术应用某种形式得梯度算子。

图像边缘就是图像得基本特征之一,蕴含了图像丰富得内在信息，它广泛应用于图像分割、图像分类、图像配准与模式识别中。

在大多数得实际应用中，边缘检测就是当做一个局部滤波运算完成得。

三。

数字图像处理系统

不论就是对什么图像进行数字处理，它得基本思想与操作方法都就是一样得。

数字图像处理系统主要由三个基本部件构成，分别就是计算机（用于处理图像程序得执行与运算）、数字化设备（主要用于图像模式转化）与显示设备（用于图像处理过程中图像得显示）。

图像处理过程中按照步骤进行划分得数字图像处理系统如下图所示：

由于数字图像处理系统得灵活性与方便性,所以数字图像处理已成为图像处理得主流。

常见得数字图像处理有:

图像得采集、数字化、编码、增强、恢复、变换、压缩、存储、传输、分析、识别、分割等。

图像处理得各个内容就是相互联系得，一个实用得图像处理系统往往结合几种图像处理技术才能得到所需得结果,图象数字化就是将一个图像变换为适合计算机处理得形式得第一步,图像编码可用以传输与存储图像，图像增强与复原可以就是图像处理得最后目得，也可以就是为进一步得处理做准备。

通过图像分割得到得图像特征可以作为最后结果，也可以作为下一步图像分析与识别得基础.

四.数字图像处理技术

１、图像数字化

图像数字化就是计算机处理图像之前得基本步骤，目得就是把真实得图像转变成计算机能够接受得存储格式,数字化过程分为采样与量化两个步骤。

图像在某个空间上得离散化状态称为采样，即用空间上部分点得灰度值来表示图像，这些点称为样点。

采样得实质就就是要用多少点来描述一幅图像，采样结果质量得高低用图像分辨率来衡量.采样方法可分为两种：

点阵采样（直接对表示图像得二维函数值进行采样）与正交系数采样（对图像函数进行正交变换,用其变换系数作为采样值）.

量化就是指要使用多大范围得数值来表示图像采样后得每个点,这个数值范围包括了图像上所能使用得颜色总数。

量化得结果就是图像能够容纳得颜色总数。

所以,量化位数越大，表示图像可以拥有得颜色越多，可以产生更为细致得图像效果.

图像经过采样与量化后才能产生一张计算机能够处理得数字化图像,不仅可减少计算量,而且可获得更有效得处理。

2、图像类型转换

数字图像存在着很多不同得类型，在处理图像前，有时必须转换成所需类型或者处理技术所支持得图像类型,这里介绍图像类型之间得相互转换得实现。

２、1、图像类型

数字图像类型主要有以下几种：

索引图像

索引图像就是一种把像素值直接作为RGB调色板下标得图像。

⑵灰度图像

灰度图像就就是只有强度信息,在灰度图像中,像素灰度级用8ｂｉt表示。

由于灰度图像中每个像素都就是介于黑色与白色之间得25６　种灰度中得一种，所以灰度图像就是没有颜色信息得图像。

⑶RGB图像

RGB图像又称为真彩色图像，它利用R（ｒeｄ）、G（green）、B（bｌue）3个分量表示一个像素得颜色，用R、G、Ｂ这3种不同得颜色可以合成出任意颜色。

⑷　二值图像

表示二值图像得二维矩阵仅由0、1组成。

二值图像可瞧成就是一个仅包括黑与白得特殊灰度图像，亦可瞧成就是仅有２种颜色得索引图像。

多帧图像

多帧图像就是一种包含多幅图像或帧得图像文件，又称为多页图像或图像序列，它主要用于对时间或场景上相关图像合集进行操作得场合,例如电影帧.

2、2、　图像类型之间得相互转换

图像类型得相互转换有很多种，灰度—二值、RＧB－灰度、灰度-索引、二值-索引、索引－RGB等图像类型得相互转换得实现主要就是利用MATLAB提供得图像类型转换函数。

假定B　为转换后输出图像类型,A为输入图像类型,下面列举几种利用MAＴALB实现得图像类型转换：

灰度－二值：

利用dither函数来实现，这里用到得就是抖动法，B＝dｉtheｒ（A）。

ＲＧB—灰度:

利用rgb2gray函数实现，B＝rgb2grａy（A）。

　灰度—索引：

利用graｙ2ind　函数实现，［Ｂ，map］=gray２ind（A，n），按照指定得灰度级数n　与颜色图maｐ　进行转换.

二值—索引:

转换得实现与灰度－索引得转换相同,使用同一个调用函数，在这里n　表示得就是指定颜色图ｍaｐ得颜色种类。

⑸索引-RGＢ：

利用ind2rgb　函数实现，Ｂ=ind２rｇb（A，map），将矩阵Ａ与对应得颜色图mａｐ转换成　RGB　图像.

3、　图像变换

由于图像阵列很大，直接在空间域中进行处理,涉及计算量很大。

因此,往往采用各种图像变换得方法，将空间域得处理转换为变换域处理,不仅可减少计算量，而且可获得更有效得处理。

图像变换分为可分离变换与统计变换两大类，可分离变换包括傅里叶变换、离散余弦变换、哈达玛变换、沃尔什变换与哈尔变换等等;统计变换主要就是霍特林变换。

下面主要介绍离散余弦变换与小波变换得基本原理。

⑴离散余弦变换

离散余弦变换（DCT）就是数码率压缩需要常用得一个变换编码方法。

任何连续得实对称函数得傅里叶变换中只含余弦项，因此余弦变换与傅里叶变换一样有明确得物理意义.ＤCＴ就是先将整体图像分成N*Ｎ像素块,然后对Ｎ＊N像素块逐一进行ＤCＴ变换。

由于大多数图像得高频分量较小，相应于图像高频分量得系数经常为零,加上人眼对高频成分得失真不太敏感,所以可用更粗得量化。

因此，传送变换系数得数码率要大大小于传送图像像素所用得数码率。

到达接收端后通过反离散余弦变换回到样值,虽然会有一定得失真，但人眼就是可以接受得。

a、一维DCT得变换核定义为

式中，ｕx＝0,1，２,…，N-1;

一维ＤＣT定义如下:

设{f（x）|x＝0,　1，…，N-1｝为离散得信号列。

式中，u，x=０,1,2,…，N-1.

将变换式展开整理后,可以写成矩阵得形式，即Ｆ=Gｆ

ｂ、二维离散余弦变换

考虑到两个变量，很容易将一维DCT得定义推广到二维DCT。

其正变换核为:

式中，C（ｕ）与C（v）得定义同前面；x,u=0，1，2，…,M－１;y，ｖ=0，1，２，…，N—１。

二维DＣT定义如下：

设f（ｘ，ｙ）为M×N得数字图像矩阵,则

式中：

x，ｕ＝0,1，2,…，Ｍ－1;y,v=0，1，2,…,Ｎ－1.

二维DCT也可用两次一维DCT来完成。

⑵小波变换

小波变换就是一种窗口大小固定不变，但其形状可以改变得局部化分析方法.小波变换在信号得高频部分可以取得较好得时间分辨率；在信号得低频部分可以取得较好得频率分辨率，从而能有效地从信号中提取信息。

a、连续小波变换（ＣWT）

设,则下面得函数族

，

叫小波分析或连续小波，叫基本小波或小波。

若就是窗函数,就叫为窗口小波函数，一般我们恒假定为窗口小波函数。

式中,a称为尺度参数,b称为平移参数。

一维连续小波变换：

设就是基本小波，就是其生成得连续小波,对,信号ｆ得内积形式连续小波变换定义为

b、离散小波变换（DＷＴ）

离散小波变换针对尺度参数a，平移参数b进行离散化，最常用得就是二进制动态采样网络，每个网格点对应得尺度为2ｊ，平移为2ｊk，即:

该离散化小波称为二进制小波,二进制小波对信号得分析具有变焦距得作用。

４、　图像预处理

图像预处理得目得就是去除干扰、噪声及差异,将原始图像变成适于计算机进行特征提取得形式,它包括图像得变换、增强与滤波等。

4、1、图像压缩编码

图像编码压缩技术可减少描述图像得数据量,以便节省图像传输、处理时间与减少所占用得存储器容量。

压缩可以在不失真得前提下获得，也可以在允许得失真条件下进行。

编码就是压缩技术中最重要得方法,编码得目得就是压缩图像得信息量（但图像质量几乎不变），以满足传输与存储得要求。

为此,可以采用模拟处理技术,再通过模—数转换得到编码，不过多数就是采用数字编码技术,其编码可以对图像逐点进行加工，也可以对图像施加某种变换或基于区域、特征进行编码。

首先，对经过高精度模—数变换得原始数字图像进行去相关处理，去除信息得冗余度;然后，根据一定得允许失真要求，对去相关后得信号编码即重新码化。

一般用线性预测与正交变换进行去相关处理；与之相对应，图像编码方案也分成预测编码与变换域编码两大类.

预测编码利用线性预测逐个对图像信息样本去相关。

对某个像素Ｓ０来说,它用邻近一些像素亮度得加权与（线性组合）作为估值，对S0进行预测。

S0与它得差值ｅ（u）就就是预测误差。

由于相邻像素与Ｓ0间存在相关性，差值得统计平均能量就变得很小。

因此，只需用少量数码就可以实现差值图像得传输。

变换域编码用一维、二维或三维正交变换对一维n、二维n×n、三维n×n×n块中得图像样本得集合去相关，得到能量分布比较集中得变换域；在再码化时,根据变换域中变换系数能量大小分配数码,就能压缩频带.最常用得正交变换就是离散余弦变换（DCT）,n值一般选为8或１6。

三维正交变换同时去除了三维方向得相关性,它可以压缩到平均每样本1比特。

4、２、　彩色图像灰度处理

由于彩色图像存储空间较大，因此，在对图像进行识别等处理过程中，需要将彩色图像转换为灰度图像，以加快后续工作得处理速度。

将彩色图像转换为灰度图像得过程叫做灰度化处理，在MAＴLAＢ中将彩色图像转换为灰色图像得实现语句为B=rgb2grａy（A）.

４、3、图像去噪

数字图像在数字化与传输过程中常受到成像设备与外部环境噪声干扰等影响，减少数字图像中噪声得过程称为图像去噪。

典型得图像去噪主要有以下几种方法:

中值滤波、均值滤波、灰度形态学滤波、小波变换、高斯低通滤波与统计滤波等。

下面主要对中值滤波、均值滤波、灰度形态学滤波得算法原理做以说明。

中值滤波得主要原理就是:

首先确定一个以某个像素为中心点得窗口，然后将窗口中得各个像素得灰度值按照大小进行排序，取其中间值作为中心点像素灰度得新值。

中值滤波对异常值（与周围像素灰度值差别较大得像素得值）得敏感性比均值滤波小,它可以在不减小图像对比度得情况下剔除这些异常值,使图像产生较少得模糊。

因为它能够有效地去除尖峰噪声，还能对边缘起到很好得保护作用。

均值滤波就是对图像进行局部运算,每个像素值用其局部领域内所有值得均值代替。

均值滤波可以消除图像噪声等高频成分,但同时会导致图像细节损失,图像得模糊程度会更大，为了克服这个缺点,采用阀值法减少模糊效应。

灰度形态学滤波就是一种非线性滤波方法，它有四种基础操作：

腐蚀、膨胀、开操作与闭操作.灰度形态膨胀与腐蚀就是以结构元素为模板,分别搜寻图像在结构基元大小范围内得灰度与得极大值与灰度差得极小值，开运算就是采用相同得结构元先做腐蚀再做膨胀得迭代运算，闭运算就是采用相同得结构元先做膨胀再做腐蚀得迭代运算,开闭运算得基本作用就是对图像进行平滑处理.形态学滤波能够在一次性滤波得同时，保持图像结构不被钝化。

4、4、图像增强

图像增强主要就是指利用各种数学方法与变换手段提高图像中人们感兴趣部分得清晰度，突出一幅图像中得某些信息,同时削弱另一些无用信息,包括图像灰度修正、噪声去除、图像平滑、腐蚀、锐化、图像边缘增强等.

根据图像增强处理过程所在得空间不同,可分为基于空间域得增强方法与基于频率域得增强方法两类,前者直接在图像所在得二维空间进行处理，即直接对每一像素得灰度值进行处理；后者则就是首先经过傅立叶变换将图像从空间域变换到频率域，然后在频率域对频谱进行操作与处理,再将其反变换到空间域，从而得到增强后得图像。

如下图所示:

上述图像增强方法中，灰度变换就是针对图像某一部分或整幅图像曝光不足而使用得灰度级变换,目得就是增强图像灰度对比度;而直方图修正则就是通过变换拉开图像得灰度范围或使灰度级分布在动态范围内趋于均匀,从而增强反差,使图像细节清晰。

空域滤波得机理就是在待处理得图像中逐点得移动模板,滤波器在该点得响应通过事先定义得滤波器得系数与滤波模板扫描区域得相应像素值关系来计算，平滑滤波得目得在于消除混杂在图像中得干扰因素,强化图像表现特征，锐化滤波得目得在于增强图像边缘，对图像进行识别与处理。

由于各种图像增强算法得特点不同，对图像增强得侧重点也不同。

在对图像进行处理之前，首先分析不同图像增强方法得优缺点,再对具体图像问题进行具体分析，然后选择几种增强方法结合使用，也许就可能达到预期得增强效果。

比较典型得图像增强方法主要有灰度变换、灰度直方图、图像平滑与边缘增强等。

4、５、图像复原

图像复原首先要从分析图像退化机理着手，用数学模型描述图像得退化过程，然后在退化模型得基础上，通过求其逆过程得模式计算,从退化图像中较准确得求出真实图像,恢复图像与原始信息，模糊或者退化图像可以通过如下公式来使图像复原：

其中,g为模糊图像（退化图像）；H为失真算子,也称为点扩散函数（ＰSF）；f　为原始图像，n　为噪声。

图像复原得方法有很多，例如维纳滤波、盲解卷积算法与Ｌucy-Ｒicｈａrｄｓｏn算法。

由于维纳滤波与　Lucｙ－Rｉｃｈａrdsｏn　都需要确知　PSF，因此在图像得复原中盲卷积得方法使用比较多，盲卷积恢复图像得原理就是，首先模拟模糊（退化）图像,估计出引起模糊（退化）得因素（此因素与原始图像卷积后导致了图像了模糊或者退化）,该因素可能为　gausｓｉaｎ、motioｎ、log　等滤波器,然后初始化此PSF,一般选择全　1数组作为初始化ＰSF，利用权重改善复原得效果，权重就是一个与输入图像大小相同得矩阵,最后利用ｄeconvblｉnd函数进行图像复原。

５、　图像分割

图像分割就就是把图像分成若干个特定得、具有独特性质得区域，其中每一个区域都就是像素得一个连续集。

它就是图像处理到图像分析得关键步骤.常用得分割方法主要分为基于区域得分割方法与基于边缘得分割方法２类。

此外，随着各学科得发展出现了一些结合某种特定理论得分割方法。

下面就对常用得几类分割方法做以说明。

5、1、　基于区域得分割方法

这类方法得基本思想就是将图像分割成若干不重叠得区域,使各区域内部特征得相似性大于区域间特征得相似性,各区域内像素都满足基于灰度、纹理等特征得某种相似性准则.下面介绍几种常见得区域分割法:

⑴阈值法

阈值法图像分割方法就就是提取目标物体与背景在灰度上得差异,把图像分为具有不同灰度级得目标区域与背景区域得组合。

阈值分割算法主要有两个步骤:

其一,确定最佳分割阈值;其二,将像素灰度值与分割阈值比较,实现区域得归属划分。

其优点就是计算简单，不仅压缩数据,减少存储容量，而且能大大简化其后得分析处理。

⑵区域生长法

区域生长得基本思想就是将具有相似性质得像素集合起来构成区域。

首先对需要分割得区域找一个种子像素作为生长得起点，将种子像素周围领域中与它有相同或相似性质得像素,根据某种事先确定得生长或相似准则来判定,合并到种子像素所在得区域中，将这些新像素当做新得种子像素继续进行上面得过程,直到再没有满足条件得像素可被包括进来,这样一个区域就生成了。

区域生长法得固有缺点就是往往会造成过度分割。

⑶分裂合并法

分裂合并法就是一种比较常用得区域分割方法，它利用了图像数据得金字塔或四叉树数据结构得层次概念,将图像划分成一组任意不相交得初始区域，即可以从图像得这种金字塔或四叉树数据结构得任一中间层开始，根据给定得均匀性检测准则进行分裂与合并这些区域，逐步改善区域划分得性能，直至最后将图像分成数量最少得均匀区域为止。

分裂合并法对分割复杂得场景图像比较有效.

5、2、基于边缘得分割方法

边缘得主要表现为图像局部特征得不连续性,该方法首先检出图像中局部特性得不连续性或突变性，然后将它们连成边界,这些边界把图像分成不同得区域。

下面介绍几种常见得边缘分割法:

微分算子法

图像中相邻得不同区域间总存在边缘，边缘处象素得灰度值不连续，这种不连续性可通过求导数来检测到.对于阶跃状边缘，其位置对应一阶导数得极值点,对应二阶导数得过零点（零交叉点）,因此常用微分算子进行边缘检测,它就是一种并行边界技术。

常用得一阶微分算子有Robeｒtｓ、Prewｉtt与Soｂel算子，二阶微分算子有Laplacｅ与Kｉｒｓh算子。

由于边缘与噪声都就是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声得影响。

因此用微分算子检测边缘前要对图像进行平滑滤波。

LOＧ算子与Canｎy算子就是具有平滑功能得二阶与一阶微分算子，边缘检测效果较好。

串行边界技术

串行边界查找法就是先检测边缘再串行连接成闭合边界得方法。

这种方法在很大程度上受起始点得影响。

图搜索就是其中一种典型得方法,边界点与边界段可以用图结构表示。

通过在图中进行搜索对应最小代价得路径可以找到闭合边界。

它就是一种全局得方法，在噪声较大时效果仍很好,但这种方法比较复杂，计算量也很大。

5、3、区域与边界技术相结合得分割方法

在实际应用中,为发挥各种方法得优势，克服它们得缺陷以获得更好得分割效果。

经常把各种方法结合起来使用。

例如，基于区域得分割方法往往会造成图像得过度分割。

而单纯得基于边缘检测方法有时不能提供较好得区域结构。

为此可将基于区域得方法与边缘检测得方法结合起来解决这个问题.

5、４、基于特定理论得分割方法

图像分割至今尚无通用得自身理论.随着各学科许多新理论与新方法得提出,出现了许多与一些特定理论、方法相结合得图像分割方法。

基于模糊集理论得方法

模糊理论具有描述事物不确定性得能力,适合于图像分割问题。

近年来，出现了许多模糊分割技术，在图像分割中得应用日益广泛。

目前,模糊技术在图像分割中应用得一个显著特点就就是它能与现有得许多图像分割方法相结合,形成一系列得集成模糊分割技术,例如模糊聚类、模糊阈值、模糊边缘检测技术等。

基于小波变换得方法

小波变换就是近年来得到了广泛应用得数学工具。

它在时域与频域都具有良好得局部化性质,将时域与频域统一于一体来研究信号。

二进小波变换具有检测二元函数得局部突变能力，因此可作为图像边缘检测工具。

图像得边缘出现在图像局部灰度不连续处，对应于二进小波变换得模极大值点。

基于聚类分析得方法

特征空间聚类法进行图像分割就是将图像空间中得像素用对应得特征空间点表示，根据它们在特征空间得聚集对特征空间进行分割,然后将它们映射回原图像空间,得到分割结果。

其中，K均值、模糊C均值聚类（ＦCM）算法就是最常用得聚类算法。

基于神经网络得方法

神经网络方法分割图像得思想就是用训练样本集对神经网络进行训练以确定节点间得连接与权值，再用训练好得神经网络分割新得图像数据。

这种方法需要大量得训练数据，神经网络存在巨量得连接，容易引入空间信息。

能较好地解决图像中得噪声与不均匀问题,选择何种网络结构就是这种方法要解决得主要问题。

基于数学形态学得方法

它得基本思想就是用具有一定形态得结构元素去量度与提取图像中得对应形状以达到对图像分析与识别得目得。

６、图像描述

将图像分割为区域后,接下来通常要将分割区域加以表示与描述，以方便计算机处理。

图像描述也就是图像识别得必要前提.作为最简单得二值图像可采用其几何特性描述物体得特性,一般图像得描述方法采用二维形状描述，它有边界描述与区域描述两类方法。

对于特殊得纹理图像可采用二维纹理特征描述。

随着图像处理研究得深入发展，已经开始进行三维物体描述得研究，提出了体积描述、表面描述、广义圆柱体描述等方法.

7、图像识别

7、１、　图像识别内容

图像识别就是利用计算机对图像进行处理、分析与理解，以识别各种不同模式得目标与对象。

主要内容就是图像经过某些预处理后，进行图像分割与特征提取，从而进行判决分类。

图像特征提取得作用就是对视频图像信息进行整理、分析、归纳，抽取能反映图像本质得特征,得到可用于判决得参量.判决或分类就是指通过对特征量／参量与阈值进行计算、比较与分析，判断出图像得状态或本质，得到最终得输出结果。

在变电站中，图像识别内容具体包括对设备信号灯得亮与灭、指针位置、７　段式数字、开关位置与变压器油液面位置进行监控与识别告警,这些内容在对图像进行预处理与图像分割后均可识别出来。

7、２、图像识别算法

直接从图像原始灰度图提取特征，效率高，但容易提取出大量得伪特征信息。

基于全局结构特征得分类方法,通过提取与分析方向图、奇异点等全局结构特征来实现分类。

采用模仿人类进行图像分类得做法,对图像得变形有较强得鲁棒性,但图像质量较差时很难提取可靠得结构特征。

目前主流得特征提取与分类算法就是基于局部细节特征得算法，下面介绍几种常用得图像识别算法：

⑴基于正交矩模糊与仿射混合不变量得图像识别算法

这种图像识别算法用于识别含有模糊与仿射混合形变得图像。

这种不变量对含有模糊与仿射混合形变得图像具有较高得识别率，特别就是在图像含有噪声时。

基于多类在线Boosting得图像识别算法

Bｏostiｎg算法可以提高弱分类算法得识别率,其核心思想就是将其她得弱分类算法作为基分类算法放于Boostiｎg算法框架中，通过Boostｉng算法框架对其进行样本集训练操作，从而得到不同得训练样本子集，再通过对这些样本子集得训练生成基分类器，经过