趙新蕾 關沫

摘要：圖像識別技術是人工智能中的一項重要技術，隨著人工智能的不斷發(fā)展，圖像識別技術也在不斷地完善和優(yōu)化，并在醫(yī)療、交通、公共安全等各個行業(yè)得到了廣泛的應用，為其行業(yè)發(fā)展發(fā)揮了越來越重要的作用。本文概述了圖像識別技術原理及優(yōu)勢，介紹了神經(jīng)網(wǎng)絡的圖像識別技術和非線性降維的圖像識別技術以及圖像識別技術的應用，并對圖像識別技術過程進行了解析。

關鍵詞：人工智能；圖像識別；技術

人工智能是一種基于計算機技術的科學發(fā)明，而圖像識別在其中的地位舉足輕重，縱觀圖像識別發(fā)展史，主要經(jīng)歷了文字識別、圖像識別、數(shù)字圖像處理與識別三個階段。隨著人工智能的快速發(fā)展，現(xiàn)如今，圖像識別技術不僅能夠使圖像采集、圖像預處理、圖像識別等流程更加智能化，還能夠使圖像具有超高辨識度和清晰度。圖像識別技術在推動各行業(yè)發(fā)展的同時，也使得各行業(yè)的信息安全得到了保障。隨著我國人工智能科技的不斷創(chuàng)新，圖像識別技術的應用領域也將會越來越廣闊。本文針對人工智能科技中的圖像識別技術進行探討。

1? ? 人工智能中的圖像識別技術原理及優(yōu)勢

1.1 人工智能中的圖像識別技術原理概述

圖像識別主要是依托于計算機技術，對各種圖像進行適當處理，從專業(yè)的角度而言，它主要是采取相應技術將原始光學信息合理分類。通過圖像識別技術，一些像素比較低的圖像可以得到增強，并根據(jù)不同目標技術進行重建，讓圖片效果達到預期要求，從而增強圖像的清晰度。

圖像識別技術并非憑空出現(xiàn)的，而是相關人員利用計算機程序?qū)D像進行模擬和收集，進而進行圖像識別。其技術流程如圖1所示。圖像識別技術的計算機實現(xiàn)和人類對圖像識別的原理基本類似，只是人類會受到感覺、視覺等方面影響，而計算機不會受到這些因素的影響[1]?；谟嬎銠C的圖像識別技術，主要模擬的是人腦的記憶儲存模式，人腦對于信息的儲存是由記憶來完成，同樣計算機圖像識別技術首先識別出圖像相關特征，并將這些特征信息進行分類，之后才進行識別。計算機在這一系列過程中的工作步驟是：信息分類、整理收納重要信息、提取信息、排除多余信息、識別成功。

1.2 人工智能中的圖像識別技術優(yōu)勢

1.2.1 便捷性和實用性

人工智能圖像識別技術不僅廣泛應用于各行各業(yè)，也廣泛應用于人們的日常生活場景，無需經(jīng)過復雜的圖像處理技術和流程，就能高效快捷地完成很多高難度的數(shù)據(jù)識別任務。例如，刷臉支付、刷臉解鎖、消費小票信息識別等，正是基于人工智能中的圖像識別技術，人工智能中的圖像識別技術對比傳統(tǒng)的密碼輸入方式不僅安全系數(shù)高而且更加便捷和實用。

1.2.2 智能化

對圖像進行識別和智能化處理是人工智能中圖像識別技術的最大優(yōu)勢[2]，這種識別技術比傳統(tǒng)的識別技術更加準確和直接，能夠精準分析和篩選適合的圖像信息內(nèi)容，提高識別的準確性和效率。在這種情況下，智能系統(tǒng)的圖像識別要經(jīng)過比較復雜的程序，比傳統(tǒng)的圖像處理更加復雜，其處理的信息量更大，難度也更高。智能系統(tǒng)的圖像識別能夠?qū)⒆R別過的圖像進行整理收集，然后根據(jù)圖像類型的不同特征，進行分析、研究和對比，因此智能化的處理分析能力和模式是傳統(tǒng)電腦圖像處理所不具備的。

2? ? 人工智能中的圖像識別技術過程解析

2.1 提取圖像典型特征

圖像提取的兩個關鍵步驟是提取和選擇，人工智能中的目標圖像通常都會隱藏諸多特征點，每個特征點都和不同的特征子集相對應，這些子集根據(jù)不同特征點進行科學的選擇，從而為圖像識別提供準確和高效的圖像識別保障。一般而言，特征點選取是根據(jù)智能化圖像識別技術的識別需求和應用方向來決定，這樣的選擇具有高效性和準確性，在圖像選取對應子集中，其特征點包含很多方面，例如顏色特征、空間關系特征、圖形形狀以及圖像紋理等，這些特征在被捕捉的時候側(cè)重點各有不同，而圖像顏色作為最明顯的特征點，成為第一捕捉對象，但在進行局部捕捉時，第一捕捉特點則變成了圖像紋理，說明在運用過程中，具體捕捉的特征點需要根據(jù)圖像識別技術確定?？傊?，不同的圖像中包含的信息各有不同，在智能化圖像識別技術運用過程中，需要準確區(qū)分圖片的不同特征。比如電力企業(yè)在利用圖像識別技術進行架空電路巡回檢查時，需要提取電線的紋理特征，再結合這些紋理特征來識別分析線路中存在的問題[3]。

2.2 圖像匹配分類

圖像匹配是智能化圖像識別技術中的末端環(huán)節(jié)，在提取圖像典型特征和對圖像預處理后得出結果，并從數(shù)據(jù)庫中調(diào)取相對應圖像信息進行分析，基于智能化圖像識別技術的數(shù)據(jù)，具有較高的準確性和有效性。比如電力企業(yè)在通過智能化圖像識別技術進行架空輸電線路巡回檢查時，依據(jù)是圖片識別的特點，通過圖片信息調(diào)取數(shù)據(jù)庫相對應的問題處理信息，技術人員可以通過這些信息進行系統(tǒng)分析，迅速鎖定故障出現(xiàn)的位置和原因，實現(xiàn)線路的高效巡檢。

2.3 圖像預處理

圖像的質(zhì)量和計算機的算法設計、效果精度息息相關，因此，在圖像分析前進行預處理步驟十分重要。圖像的預處理主要是針對無關圖像信息的刪除，相反對于相對有用的信息起到的是增強的作用，使有用圖像的檢測性更強，并讓計算機會將收集的圖片數(shù)據(jù)不斷簡化，進而對圖片進行分割、匹配，以及特征抽取。預處理過程中，通過對圖像數(shù)據(jù)采取降噪、去霧等操作，使得智能識別系統(tǒng)能夠更加精準地定位圖像特點，提升操作效率，降低了圖像識別程序的復雜性，縮短識別的時間。因此，圖像預處理是智能化圖像識別技術中的重中之重。

3? ? 人工智能中的圖像識別技術的應用

3.1 神經(jīng)網(wǎng)絡

人工智能中的圖像識別技術，是一種集傳統(tǒng)圖像識別技術和神經(jīng)網(wǎng)絡算法于一體的新型圖像識別技術，神經(jīng)網(wǎng)絡是人工智能技術的重要組成部分，在一定程度上和圖像識別技術相互融合，能夠讓兩種技術的優(yōu)勢發(fā)揮到最大[4]。在智能化背景之下，人工智能中的圖像識別技術并不是獨立存在的，它需要融合多種不同科技，并將這些技術進行整合，神經(jīng)網(wǎng)絡技術就是其中之一。運用神經(jīng)網(wǎng)絡可以模擬出和人類神經(jīng)網(wǎng)絡類似的，并且該網(wǎng)絡具備相應的學習能力，并且在后期經(jīng)過大量模擬實驗和訓練，其識別率會直線上升，如表1所示?；谏窠?jīng)網(wǎng)絡算法的圖像識別技術，在識別復雜的圖像時效果會比傳統(tǒng)圖像識別技術更加理想，不過這種神經(jīng)網(wǎng)絡技術的成本會高于傳統(tǒng)識別技術。其識別的過程和傳統(tǒng)的圖像識別是相同的，主要的優(yōu)勢是識別效率和精度均更高，并且神經(jīng)網(wǎng)絡的圖像識別速度會更快，針對不同的圖像特征其處理方式也會更加準確。比如交通運輸系統(tǒng)中廣泛使用的視頻采集系統(tǒng)，就是基于神經(jīng)網(wǎng)絡的智能圖像識別技術，其算法如圖2所示。通過智能圖像識別技術的實施，能夠?qū)硗能囕v進行高效識別，大大節(jié)約了交通管理的時間，使其效率穩(wěn)步提升。目前智慧交通正飛速發(fā)展，這在一定程度上促進了圖像識別技術和智能機器人的相互融合，進而不斷推進我國交通事業(yè)的改革和創(chuàng)新?，F(xiàn)階段常用的神經(jīng)網(wǎng)絡形式主要有混合型網(wǎng)絡、前饋網(wǎng)絡、卷積網(wǎng)絡、反饋網(wǎng)絡、相互結合型網(wǎng)絡等，每一種形式的組成元素與特征都各不相同，比如前饋網(wǎng)絡是由多層形式網(wǎng)絡神經(jīng)構成，并且相鄰網(wǎng)絡各層之間由神經(jīng)元連接，不同的神經(jīng)元屬于不同的層，各個層的神經(jīng)元從上一層得到不同的輸入形式，并利用不同節(jié)點將信息傳輸?shù)讲煌瑢蛹壍纳窠?jīng)元中，如圖3所示。

3.2 非線性降維

非線性降維在人工智能識別技術中屬于高維識別技術，相較于神經(jīng)網(wǎng)絡和模式識別而言，這種技術可以在圖像分辨力比較低的情況下進行識別。非線性降維處理圖像的方式為非線性處理，這種方法處理后的數(shù)據(jù)特點是多維性，這也決定了這項技術在研究過程中會面臨諸多問題，比如需要在有限的時間內(nèi)識別大量的圖像資料。降維主要分為線性降維和非線性降維，而線性降維中比較常用的有線性奇異分析和成分分析，通常線性降維的理解難度低于非線性降維，但是在實際運用過程中，線性降維的運算步驟是十分復雜的，并且計算中容易占據(jù)過多的儲存空間，在識別圖像規(guī)程中也不能盡快得出結果，時間成本較大。非線性降維顧名思義就是在線性降維的基礎上發(fā)展出來的圖像識別技術，這種技術能夠識別圖像的非線性結構，并且在降維處理的同時不會破壞其結構，在一定程度上其識別速度會提升，時間成本因此減少。在自然資源分析、能源工程、環(huán)境監(jiān)測等領域有重要的應用價值，非線性具有較強實用性和效率性，這些領域的圖像識別具有密集性和高難度特征，普通的圖像識別技術的辨識度和效率較低，難以滿足這些領域的需求，而非線性技術由于其高分辨率高效率的特點，能夠有效填補這些領域的圖像識別缺口[5]。

3.3 模式識別

模式識別是人工智能圖像識別技術的重要應用模式，這種模式的運行需要海量數(shù)據(jù)作為基礎，通過圖像識別技術能夠讓其認知程度提升，學習和實現(xiàn)是模式識別的流程，這個模式可以有效融合計算機分析和數(shù)學算法，進而能夠自動識別圖像特征，實現(xiàn)一邊識別一邊對數(shù)據(jù)信息進行有效評價。在實際運用過程中，計算機會以原有數(shù)據(jù)和信息為依據(jù)，通過對圖像信息進行捕捉，最終進行識別，而模式識別中學習的過程就是信息儲存的過程，在此之前系統(tǒng)自動采集圖像信息，再通過計算機對信息做出分類和識別。識別算法容易影響識別效率和儲存能力，學習之后圖像信息就變成關鍵點。在實際運用中，模式識別過程能夠判定圖像信息與模板之間的匹配程度，因此也被稱為對比過程。目前該技術被廣泛應用于醫(yī)療領域，例如核磁共振、實驗室檢測等，通過此方法進行圖像分析，醫(yī)生根據(jù)其結果能盡快制定治療方案。

4? ? 結語

綜上所述，人工智能中的圖像識別技術作為一項新興技術，正不斷被優(yōu)化和完善，其應用場景也會越來越多。在具體運用當中，相關技術人員需要不斷提升技術能力，明確圖像識別技術背后蘊含的應用價值以及各種應用的優(yōu)勢和不足，在原有的基礎上不斷創(chuàng)新，為各行業(yè)的發(fā)展提供更多技術支撐。同時數(shù)據(jù)安全也是一個值得關注的焦點，數(shù)據(jù)加密需要不斷綜合各方力量，實現(xiàn)數(shù)據(jù)明暗轉(zhuǎn)換。隨著科技的不斷進步，相信人工智能中的圖像識別技術會更加智能地出現(xiàn)在各行各業(yè)，為人類的生產(chǎn)、生活帶來更多的便捷。

參考文獻

[1] 白艷，郭艷輝.基于人工智能的圖像識別技術分析[J].電視技術，2022，46（8）：140-143.

[2] 藺偉，張馳.人工智能背景下圖像識別技術研究[J].無線互聯(lián)科技，2022，19（14）：108-110.

[3] 李必成，張晨曦，季鈺翔等.人工智能識別與人工識別紅外相機動物影像準確率分析：以上海大金山島獼猴（Macaca mulatta）監(jiān)測為例[J].生態(tài)與農(nóng)村環(huán)境學報，2022，6（15）：1-11.

[4] 劉肖鵬.基于人工智能算法的圖像識別技術[J].信息與電腦（理論版），2022，34（6）：188-190.

[5] 聶莉娟.基于人工智能的圖像識別研究[J].無線互聯(lián)科技，2022，19（2）：112-115.