赵佩佩
关键词：计算机；智能化；图像识别技术；原理；应用
中图分类号：TP3 文献标识码：A
文章编号：1009-3044（2023）21-0109-03
计算机智能化图像识别技术在日常生活中具有极高的应用频率，目前已得到交通、安防、军事等诸多领域的应用。该项技术以计算机系统为基础，对图像进行一系列的处理操作，能够识别多种不同模式的目标与对象。新形势下，随着计算机技术的高速发展，智能化图像识别技术的应用水平也在不断提高，能帮助人们更为高效便捷地获取所需信息，提升人们决策和思考效率。计算机智能化图像识别技术已应用于我国诸多行业领域，发展迅速，进一步加强相关技术研究具有重要现实意义。
1 计算机智能化图像识别技术
1.1 概述
识别技术是一种综合性技术，充分融合计算机技术、识别技术及智能化技术的优势，将输入于计算机系统的图像图形信息转化为系统能够识别的数字信号，实现对多源数据信息的高效处理，将其转化为具有特征的信息，再进行匹配、分类，最终实现识别处理目标，该项技术的运用能够显著提高图像处理质量和效率[1]。其应用流程可简要概括为图像输入、图像预处理、提取特征、图像分类、图像匹配五个环节。在初始发展阶段，计算机识别技术只能对一些较为简单的数字、文字信息处理，难以有效识别和处理复杂的图像信息，随着技术水平的不断提高，逐渐能够对一些简要、特征单一的图像信息进行识别处理，目前该技术的智能化水平已显著提高，能够实现对一些复杂的二维、三维图像进行有效识别处理。
计算机图像识别技术对图像的识别与人类感官类似，但是前者的识别能力更强、更高效。如指纹识别、面部识别、条形码识别等，均为日常生活中计算机识别技术的应用体现，为人们生活带来了诸多便利。计算机图像识别技术既针对简单且普遍应用的技术，如智能手机的面部、指纹识别等，能够避免烦琐操作，有效提高使用效率；也针对一些高端识别的技术，即使物体位置、角度、距离等发生变化，仍可有效识别处理，确保最终判断结果的正确。
1.2 形式和类型
目前，计算机智能化图像识别技术中最常用的为基于神经网络的图像识别技术和基于非线性降维的图像识别技术[2]。前者采用神经网络算法，是人类采用人工模拟动物神经网络方式的一种神经网络。在神经网络的图像识别技术中，目前遗传算法结合BP 神经网络是最常用的一种模型，已在诸多领域应用[3]。如智能汽车监控系统中的拍照识别技术，当其他汽车从该位置经过，检测设备能够及时反应并发出预警信息，同时启动图像采集装置，获取汽车的特征图像，而针对车牌字符的识别，便采用了神经网络与模糊匹配两种算法。基于非线性降维的图像识别技术属于一种基于高维形式的识别技术，无论图片分辨率大小，生成的数据均具有多维性的特征，所以实际识别的难度较大。为了提高图像识别性能，可采用随图像降维方法进行识别。大多数情况下，将降维划分为非线性和线性两种形式，例如常用的线性降维便是主元分析（PCA） 和线性奇异分析（LDA） 等，具有简单、容易理解等优势，运用线性降维方式对数据集合进行处理，所获得的投影图形使该数据集合的低维效果理想。实践表明，采用这一线性降维策略具有一定的复杂性，且时间、空间等资源消耗严重，因此非线性降维的识别技术应运而生，该项技术采用非线性特征的提取方法，该方法能够在不破坏图像原有结构的基础上发现非线性结构，同时在低纬度也能够有效识别图像信息，效果确切。而人脸图像识别系统多适用于高维数的识别，对计算机而言，其复杂性的提高必然导致处理难度增加。此外，统计识别、句法识别等也是计算机图像识别技术的常用类型。
1.3 特征
图像本身蕴含丰富的数据信息，识别时需对其信息数据进行比对分析，因此需要处理海量的数据。计算机智能化图像识别技术相较于常规识别技术更具优势，能够提高识别信息的精确性，使获取结果更接近真实情况，同时图像不易受到外界环境因素的影响，提高其抗干扰性能。随着科技水平的提高，计算机图像识别技术的应用也更为灵活，在图像处理、转换方面更为高效便捷，识别精确性明显提高[4]。
1.4 实现过程
图像识别的实现主要环节包括预处理-压缩处理-提取处理。上述环节中，预处理是计算机图像识别技术应用中最关键的一环，也是最为复杂、困难的一环。预处理时需要将一些没有价值的数据信息去除，保留有价值信息，去除过程极易影响整体识别效果。图像信息的预处理方法较多，如灰度化处理、二值化处理等。灰度化处理能够结合实际需求，将图像中像素的灰度值按照相应公式进行处理，以保证成像效果[5]。二值化处理是一种操作便捷的预处理方法，将图像中像素的灰度值设置在相应区间，使图像呈现效果为黑与白。去噪处理、轮廓提取也是常用的预处理手段，其中前者能够去除噪声等干扰信息，更加突出图像内容；后者注重目标图像边缘轮廓信息，能够通过其外观、形状或边缘特征分析图像信息。
压缩处理是使用计算机图像识别技术的主要环节，能够实现对图像多余信息的压缩与删减，在不影响可识别性的基础上减少图像占用空间，便于后期存储和传输。图像提取的目的在于对图像的主要特征点进行提取，如形状、颜色、纹理及空间位置等[6]。
图像特征的提取主要指在模式识别的过程中提取及选择图像特征，针对不同图像的不同特点，计算机采用相应的方式进行分离，提取可以区分的图像特征。提取特征是否有效决定后续图像能否被成功识别。
1.5 应用优势
1） 精确性。过往，传统计算机识别技术受到技术因素的限制，只能够对模拟图像进行处理，将其转化为二维数组，而智能化图像识别技术能够将图像的像素转化为32位，大大提升了图像识别处理的精确度。
2） 表现性。使用智能化图像识别技术时，能够全面分析对图像处理造成影响的相关因素，如图像在系统中的存储情况、实际输入中存在的故障问题等，及时消除相关影响因素，实现对图像的精准再现与还原，确保图像通过智能化技术识别、处理后，像素等多个方面具有良好的表现性。
3） 灵活性。智能化图像识别技术对图像信息进行处理时，可以根据图像实际对其进行放大处理。图像信息源于多个方面，无论是何种类型的信息均能够在系统中进行有效识别和处理，并根据数据类型、性质对图像信息进行线性或非线性处理[7]。针对不同图像信息进行编码操作后，能够在系统中显示图像的灰度值，直观、清晰地显示图像信息。
2 存在问题及解决对策
目前，计算机智能化图像识别技术已在各领域广泛应用，但从整体上看，该项技术的应用、研究仍处于初期发展阶段，诸多重点技术尚未突破瓶颈。投入应用的绝大多数识别技术只能够实现对简单图像的识别处理，面对一些复杂图像，需要识别处理的数据信息较多时，往往效率不高，识别准确性不佳。技术水平不高的主要因素之一为计算机软硬件设备、设施尚不完善，对复杂图像信息进行识别时，计算机系统的运行处理速度难以满足实际需求，从而导致图像识别处理效率较低，精确度不佳。
针对时下常用的机器学习方法，尤其是以深度神经网络为基础的先进学习方法，已得到人脸识别、自动驾驶、机器人图像识别等诸多领域的应用，取得明显成效。一些先进的技术甚至能够超出目前人类的识别水平，但是在深度学习取得明显成效的同时，将其应用于实际却存在诸多困难。首先，数据标注方面存在问题，现如今深度学习方法需要运用大量的标注数据进行训练，但是实际上数据的获取难度大，不仅包括个人隐私相关问题，如人脸数据等，同时问题对象本身数量较少，例如对珍稀保护动物的识别等。另外，数据标注工作耗时较长，需要消耗大量的精力和人力物力，因此对其在图像识别领域的高效应用造成严重阻碍。其次，算力问题。深度学习方法虽然能够提高算法性能，但是其网络运算量庞大，因此将其部署在计算资源受限的设备上存在较大难度，所以针对一些算力具有局限性的应用场景，如机器人、路面监控、自动驾驶等，图像识别仍需要一些智能化水平较低、算力消耗较低的技术完成，对智能化图像识别技术的发展造成严重阻碍。
解决对策：积极开发计算机软硬件设备、设施，采用先进的计算机系统为识别技术的应用提供保障。同时，技术研究的重点应逐渐由二维图像延伸至三维图像，未来发展至多维图像。通过技术创新，减少图像质量、环境等因素对识别技术应用的影响，进而有效提高识别效率和质量。
3 计算机智能化图像识别技术的应用
3.1 交通领域
计算机智能化图像识别技术应用于交通领域，能够有效检测并识别路况信息及周围车辆信息。因为道路建设工作的持续开展，很多驾驶人员不了解路况，难以及时准确地到达目的地，而计算机智能化图像识别技术能够为其提供实时的路况信息，帮助指引方向，确保驾驶安全性。该项技术不但能够检测道路信息，还能够检测周围车辆，判断车辆是否存在超速违规等情况，并及时处理相关问题，为道路的畅通运行提供保障。
3.2 医学领域
随着医疗技术水平的提高，我国医疗行业发展迅速，越来越多的先进器械、设备中采用了计算机智能化图像识别技术。例如影像学检查过程中，医生能够获取全面、直观、清晰的影像学图像；再比如微创手术采用的导航技术、CT技术等，医生能够通过图像清晰、直观地了解患者病情，进行针对性治疗，保证治疗效果。目前，医院心电图、彩超等影像学分析均采用计算机智能化图像识别技术，取得明显成效。
3.3 安防领域
计算机智能化图像识别技术应用于安防领域，能够有效避免人为因素导致的疏漏问题，其更为精准、全面。目前视频监控系统应用广泛，分布复杂，人工分析处理不仅效率低下，还需要投入大量的人力、物力，受到人为因素的影响极易导致一些关键信息的疏漏、遗失。而通过运用计算机智能化图像识别技术，能够实现对图像信息的一体化识别、处理，运用计算机系统全面收集图像信息，提取信息特征，精确性更高，有效减少工作人员的工作量，提高工作效率。另外，相关信息能够为事故鉴定提供重要依据。
对安防监控行业而言，近年来AI从云端向边缘（终端设备）转移的现象逐渐明显。以具有AI智能识别技术的网络摄像机（以下简称AI摄像机）为例，早期，监控环境中的许多突发情况往往超出了AI摄像机数据库和算法可以处理的范围，即使后端图像数据库得到扩展，仍然无法覆盖所有方面，缺乏实时性。当相机内置AI芯片后，无论是智能识别还是自学习能力都大大提高，不仅降低了误判率甚至超过了人眼可以识别的能力，而且可以更实时、更全面地应对各种突发情况。
3.4 农业领域
农业是国民经济发展的重要基础，在我国发展体系中占据重要的地位，粮食产量对农业发展有直接影响，因此提高粮食产量始终是重点研究问题。先进科技在人们日常生产、生活中得到广泛应用，智慧农业实现农业与智能化、自动化科技的有效融合，推动其可持续发展。通过采用计算机智能化图像识别技术，能够实时分析植物、作物的生长情况，或者对病虫害进行分析，实现对种植情况的全景监控，另外也可以用于农产品的质检中，由此取得明显成效[8]。
3.5 文艺领域
智能化图像识别技术在文艺领域中的应用主要体现在图像等的识别处理，体现其艺术性。通过智能化识别系统有效过滤无价值信息，确保信息的匹配性。同时，能够按照相应美学原理，合理调整图像色彩，提高其审美价值，强化人们的视觉体验。
4 结束语
综上所述，目前智能化图像识别技术在我国诸多领域已得到广泛应用，但是该项技术仍存在一定不足，未来应加大技术创新力度，持续深入研究，不断提高技术应用水平，扩大应用范围。
