论述 218 基于人工智能的图像识别技术探究 牛张哲（邯郸市致远中学，河北省邯郸市 056006） 2019 年 1 月 【摘 要】随着计算机人工智能技术的不断发展，基于人工智能的各种应用层出不穷，其中图像识别技术便是生活中应用最为广泛的一种。图 像识别是指利用计算机系统来完成图像匹配识别，从而适配各种应用的技术，与人类识别相比，人工智能使其更加精准和高效，已广泛应用于 国民经济的各个领域。本文从图像识别的流程讲起，就各种识别方式进行论述，并对未来的图像识别发展进行了展望。 【关键词】人工智能；图像识别；特征提取 【中图分类号】TP18 【文献标识码】A 【文章编号】1006-4222（2019）01-0218-02 1 引 言 随着社会信息化进程的不断深化袁 我们都生活在一个信 息爆炸的时代袁 目前计算机已经可以对文字和文章进行轻松 的处理袁但是和文字相比袁图像包含着更多的信息袁找到一种 让计算机能够自动化采集尧处理尧识别尧编辑图像的技术显得 格外重要遥 图像处理的使用场合十分广阔袁 例如在工业生产 中袁 可以利用图像识别来进行残次零件的筛选和机器人自动 路径规划曰 在农业生产中袁 可以利用图像识别来分拣不同颜 色尧大小尧形状的水果袁同时去除野歪瓜裂枣冶曰在交通领域中袁 可以利用图像识别技术来进行车牌和车辆信息的识别袁 及时 侦测到违法车辆曰在日常生活中袁由图像识别衍生的指纹尧掌 纹尧虹膜尧人脸识别等应用让生活越来越便捷遥 [1]研究基于人工 智能的图像识别技术能使计算机视觉系统更加精准和智能袁 目前这一领域是人工智能技术内最为火热的研究领域之一遥 2 图像识别流程 类似于人野看图识物冶袁图像识别是指利用计算机对未知 的图像进行处理后识别其有关信息的计算机技术袁 广义的图 像识别可简化为四个步骤袁后文将详细论述各个过程遥 断该公司并购前后的实际价值袁 从而达到衡量并购绩效的目 的曰另一类为通过其他上市公司上报的财务数据袁结合自身数 据袁得出企业并购前后业绩的变化来评价并购绩效曰第三类主 要通过非财务指标对并购绩效进行衡量袁 以得出一些财务指 标较难体现的结论遥 三类方法的侧重点不同袁对应的实际情况也有所不同袁因 此袁评价方法的选择要与实际情况相对应遥 并且袁企业之间的 并购动因也不尽相同袁 在评价绩效时应尽可能的采取多种方 法尧多渠道收集变量袁既运用财务指标袁也要结合非财务指标 进行判断袁从而更完整尧更全面地把握各种条件袁但也要将一 些不适合互联网领域的方法弃用袁以防止其影响整体判断遥 对 于互联网行业袁以上并购绩效评价方法各具优劣袁总体来说袁非 财务指标评估法尧成本收益分析法更加适用袁而股价分析法尧超 常收益法尧经营业绩评价法对于互联网企业适用性不强遥 在选择绩效评价方法构成体系时袁 应突出非财务指标评 估法与成本收益分析法所占的比例袁 从而使其更加适用于互 联网行业遥 而为了更好地结合各种评价方法袁应根据对具体并 购形式尧动因的理解选择并购方法袁之后综合各种因素袁构造 评价函数袁且该函数应反映不同并购情况的特殊性袁并将并购 前后作出比较袁从而真实地判断并购前后的绩效遥 6 结 论 本文对股价变动法尧超常收益法尧经营业绩评价法尧非财 2.1 图像采集 图像采集也就是将所需识别的物体转化为数字图像袁此 过程一般由多种图像采集设备所实现遥 目前应用较多的图像 采集系统多以 CCD 或者 CMOS 摄像机为主袁摄像头通过光感 器件获取图像的模拟信号后袁 经过 A/D 转换将模拟图像转化 为数字图像进行处理袁 随后经过各种编解码后就可传输到计 算机中进行处理遥 图像采集的质量关乎到后续的图像识别袁一 般由清晰度尧对比度尧噪点等多种指标衡量袁CCD 和 CMOS 传 感器的精密度直接影响到这些指标袁 与其他图像采集过程相 比袁这些图像传感器的特点是像素密集度高尧噪点少尧可以实 现动态对比度调节和容易后期处理袁 所以在目前的图像识别 系统中最为常见遥 图像识别用 CCD 摄像机如图 1 所示袁其主 要用于大型稳定性摄像中袁 而 CMOS 摄像机则主要用在小型 化设备中袁如手机尧便携式计算机等遥 2.2 图像预处理 图像预处理是图像特征提取之前的关键环节遥 由于图像 采集设备和环境的影响袁 输入计算机的图像往往存在各种误 差袁例如亮度和对比度不足袁图像噪点较多等遥 而图像预处理 务指标评估进行了具体的阐述袁 指出了每种方法的针对互联 网行业现状来进行使用的优势和不足袁 并整体分析了以上方 法的局限性袁包括并购数据的选取面较狭窄尧关于企业的并购 效应考虑不足尧未预期到的不确定性遥 经过论述和分析袁将研 究方法分为三类院依据股价实时变化尧依据财务上报数据尧依 据非财务指标遥 对于互联网行业袁 本文认为非财务指标评估 法尧成本收益分析法较使用袁而股价分析法尧超常收益法尧经营 业绩评价法较不适用遥 参考文献 [1]王贤杰.互联网企业并购绩效研究[D].首都经济贸易大学袁2013渊5冤院 1~7. [2]冯根福袁吴林江.我国上市公司并购绩效的实证研究[J].经济研究袁 2001渊1冤院33~38. [3]郭永清.企业兼并与收购.大连院东北财经大学出版社袁1998院105~ 116. [4]Agrawal袁A.andJ.Jaffe.ThePostMergerPerformancePuzzle.Advaneesin MergersandAcquisitions 袁2000袁l院119~156. [5]Cremer袁Jaeques袁 PatriekRey.ConnectivityinthecommercialInternet. TheJournalofIndustrialEconomies 收稿日期：2018-12-16 袁2000袁48渊4冤院433~472. 

2019 年 1 月 论述 219 3 人工智能图像识别方法 将人工智能技术应用于图像识别中袁 模仿人类识图的强 大能力袁既能高效尧精准地完成任务袁同时还具有较强的适应 性和学习能力袁 也就是人工智能识别方法随着识别过程的进 展袁其准确度有显著的提高遥 其主要方法有以下几种院 渊1冤模板匹配法遥 模板匹配法是目前最为常用的方法之 一袁其过程和搜索引擎类似袁将图像的特征渊关键字冤和已有数 据库中的模板特征进行逐个比对袁从而找到与其匹配的图像袁 输出该图像的信息袁从而完成识别遥 在实际操作过程中袁为了 提高搜索速度袁通常进行多级搜寻袁也就是先用全局特征确定 对象的大概范围袁 然后在该范围内再用局部特征确定具体的 图像信息遥 渊2冤贝叶斯方法遥 贝叶斯方法是一种基于概率统计分类的 人工智能方法袁源自于统计学中的经典理论遥 具体操作可以通 过贝叶斯定理算法处理图像的特征袁 得到基于统计的附加信 息袁也就是后验概率袁从而完成识别遥 [5]目前袁改进的贝叶斯 TAN 算法取代了传统的朴素贝叶斯分类方法用于图像识别遥 渊3冤神经网络方法遥 神经网络是利用计算机模拟人类的神 经系统而得来的一种人工智能分类方法袁 其特点是精准度高 且具有较强的学习能力袁 常用小波神经网络尧BP 神经网络尧 RBF 神经网络完成对图像的分类和识别遥 基于此发展的深度 神经网络渊深度学习冤也是目前重要的研究领域遥 4 结束语 图像识别技术是一种应用广泛的计算机视觉技术袁 基于 此技术袁大量的图像识别任务可以被计算机所代替袁人类可以 解放自己的双眼袁大大便捷了人们的日常生产生活遥 虽然经过 了几十年的不断发展袁 但是目前基于人工智能的图像识别技 术还存在诸如可靠性差尧过拟合尧通用性较差的问题袁智能化 程度也有待提高遥 [6]未来的图像识别技术应该不断扩展其识别 边界袁同时做好各种系统的融合袁积极拓展其应用范围袁从而 更好地服务于未来的智能化社会遥 参考文献 [1]刘万军袁梁雪剑袁曲海成.基于双重优化的卷积神经网络图像识别算 法[J].模式识别与人工智能袁2016袁29渊9冤院856~864. [2]赵水红.基于图像的车祸事故人工智能识别系统的设计[J].电脑知 识与技术袁2016袁12渊3冤院221~223. [3]覃天足.基于人工智能的景物识别算法[J].电子世界袁2018渊1冤院43~ 44. [4]武煜博.图像识别技术发展与应用[J].电子技术与软件工程袁2017 渊4冤院86. [5]卢少坤袁李荣华袁施欧文袁等.基于图像识别技术研究不同海区三疣 梭子蟹甲壳白色斑纹特征及蜕壳前后斑纹特征的变化[J].水产学报袁 2018袁42渊2冤院257~266. [6]秦 丰袁刘东霞袁孙炳达袁等.基于深度学习和支持向量机的 4 种苜蓿 叶部病害图像识别[J].中国农业大学学报袁2017袁22渊7冤院123~133. 收稿日期：2018-12-21 图 1 图像识别用 CCD 摄像机 则是往往主要指对原始数字图像进行各种变换袁 从而提高其 在后续过程中的算法运行效率遥 首先是噪声消除环节袁此过程 一般由各种滤波环节组成袁例如均值滤波尧中值滤波等袁均值 滤波也叫做线性滤波袁其主要原理是利用图像的灰度连续性袁 将图像的每个像素看成由周围若干个像素平均而成的结果袁 这样图像中所含的噪声便被平均袁 而中值滤波则是基于统计 理论而得来的一种滤波模式遥 图像经过噪声消除后袁经过二值 化渊将输入图像转化为可以解算的二值化图像冤后袁进行图像 分割处理遥 [3]图像分割旨在将原图的识别部分和非识别部分分 开袁在很多场合袁所需识别的图像只是整幅图像中的一部分袁 所以在进行识别之前将识别区域分割开来袁如图 2 所示遥 一般 分割方法包括普通分割尧语义分割和实例分割袁其中基于 K- means 方法体现了很强的智能性袁 是一种可自动完成归类的 人工智能方法遥 图 2 图像分割示意图 2.3 特征提取 图像特征是指在特定识别任务下袁 将图像中所含的各种 信息转化为便于计算机处理的特征向量袁 特征可以看作是一 幅图片的信息浓缩袁是图像识别中的最为重要信息遥 不同的图 像可以有不同类别的特征袁从不同的粒度上出发袁特征可以分 为低级和高级特征袁其中低级特征也叫作浅层特征袁一般是一 些比较边缘的像素特征或者图像中的简单尺寸信息曰 而高级 特征也叫作结构性特征或全局特征袁 则是更加复杂和相互关 联的特征袁更能有效地辨识图像中的对象遥 低级特征一般包括 形状尧颜色尧纹理尧尺寸信息等袁这些特征信息不存在相互耦合 性袁并且复杂度很低袁既可以用来直接识别图像袁又可以组成 高级特征遥 在进行特征提取的过程中袁 必须要对特征进行过 滤袁利用特定的算法在保留真实特征的同时去掉无用特征遥 [4] 2.4 图像识别 经过特征提取后袁 图像的所有信息都转化为一系列的特 征向量袁 图像识别也就是对未识别图像的特征向量进行识别 的过程遥 一般的计算机视觉系统都需要在短时间内对图像做 出快速的反应袁 而且需要将未知图片与成千上万的数据库图 像想比对袁当图像含有复杂的特征时袁这个过程对计算机的硬 件和软件都提出了较高的要求遥 目前常用的图像识别方法有 模板匹配法尧贝叶斯法尧神经网络方法尧强化学习方法等袁其中 大多数方法都基于或是借鉴自人工智能方法袁 需要根据具体 的图像识别任务来确定具体的图像匹配方法袁 目前还没有一 种通用最佳的方法遥