处理与识别数字图像的应用探析

　　数字图像识别与处理系统设计是提升图像处理与识别水平的关键所在，以下是小编搜集整理的一篇探究处理与识别数字图像应用的论文范文，欢迎阅读参考。

　　摘要 :信息技术的快速发展为各行业领域注入新鲜的活力。以当前数字图像处理技术、识别技术等为例，其本身以计算机技术为依托，能够完成信息传输、处理、存储等工作，应用范围极广。然而从现行计算机感知能力角度看，仍需将相关的理论与实践经验作为指导，如人脸识别、纸币识别等，要求做好图像处理与识别系统设计。本文将从数字图像处理、图像识别方法在人脸图像识别中的应用以及图像识别系统在识别残损纸币中的应用角度，对系统开发思路进行探析。

　　关键词 :人脸识别 ;数字图像处理 ;系统开发

　　前言

　　区别于一般图像处理，数字图像处理强调在计算机运用下，使图像信息能够进行数字信息的转化，在此基础上完成一系列传输、处理与存储等。现行较多领域如医疗卫生、军事技术、工农业生产以及信息安全等，都有数字图像处理引入其中，优势极为明显。而该优势的实现关键在于系统设计较为合理，包括显示设备、数字化仪与计算机等。因此，本文处理与识别数字图像的系统设计研究，具有十分重要的意义。

　　1 数字图像处理方法研究

　　系统开发过程中，对数字图像处理要求较高，其涉及的方法集中表现在图像增强、检测方面。从图像增强方式看，主要立足于图像视觉效果改善，采取相应的分析与处理图像方法。该方式应用下体现出明显的效果明显、操作简单等优势，可满足图像处理要求。一般图像增强方法应用中，首先应做好灰度增强工作。以连续图像 f(x,y)为例，对该图像数字化后会生成新的图像 f(m,n)，对于新生成的图像，灰度值不同，像素数也存在一定差异，如在较大灰度值情况下，像素数较多，此时图像将表现出明亮特点。而灰度值小时，由于像素数少，所以生成的图像也较为偏暗。所以在灰度增强中，以相应变换关系为依据，对图像中像素灰度值进行调整。假若对未处理的图像，利用 r=f(m,n)表示像素灰度值，而处理后的通过 r'=g(m,n)表示，此时有 r'=T(r)或 g(m,n)=T(f(m,n))，利用这些变换关系式，便可使灰度增强目标得以实现。完成灰度增强后，便需采取图像锐化措施。通常摄像系统应用下难以保证聚焦质量，或因信道狭窄问题，很容易导致目标轮廓不清晰，此时要求利用锐化，使图像轮廓加重，获取更为精确的图像。需注意的是锐化中对于灰度值调整仅集中的在目标轮廓上，而轮廓外像素不会发生改变。另外，图像增强中也需考虑图像噪声控制问题，主要通过非线性处理技术实现，该技术可被叫做中值滤波。实际应用中，中值滤波可以二维窗口形式展现出来，相比 1×L 与L×1 滤波器，在 L×L 二维中值滤波器运用下，更能使噪声被抑制。

　　处理数字图像中，在图像增强方法应用的同时，也要求在图像检测方面进行强化。其涉及的内容首先表现在边缘检测上，其中的边缘主要指图像纹理结构、颜色或灰度级发生突变，整个图像特征不具备连续性，所以在图像分析中应对边缘信息给予足够重视。从数字图像中的边缘看，主要表现在幅度、方向两个特性层面，若以边缘走向为主，此时灰度将出现平缓变化，而在与边缘走向垂直的情况下，灰度变化极为明显。因此，实际检测边缘过程中可从一阶、二阶导数着手，进行图像灰度的计算，可达到检目的。另外，检测过程中也可将形状匹配技术引入其中，以 Hough 变换为例，其可通过坐标变换，在变换空间中将曲线点进行固定，可形成峰点。此时仅需从空间中峰点着手，便能完成形状曲线检测过程。

　　2 图像识别方法在人脸图像识别中的应用

　　本文在研究图像识别中，主要从人脸图像识别方面着手，这一识别过程极为复杂，需在计算机中执行一系列图像采集、人脸检测、人脸定位、人脸跟踪等，这样提取出的人脸信息便可用于识别。对于识别过程中涉及的技术主要以检测定位、识别算法为主。其中在检测定位中，常用的主要以显式、隐式特征两种方式为主。显式特征可理解为在肉眼观察下，完成脸部结构、轮廓以及肤色的.判断等，如基于知识的方法、模板匹配或肤色模型等，这些都可作为显式特征识别方法。而在隐式特征方式上，主要利用相关的人脸样本对图像进行检测，如积分图像、支持向量机、人工神经网络或特征脸法等，都可作为隐式特征检测方式。而在识别算法中，若以人脸表征方式为依据，可细化为神经网络、特征脸法、模板匹配以及基于几何特征方式等，这些方法应用下对人脸识别实现可起到明显作用。以其中基于几何特征方式为例，其将人脸中下巴、嘴巴、鼻子与眼睛利用几何描述，与人类识别人脸机理相吻合。但应用中也存在一定不足之处，如在对人脸结构描述时难以对细微特征进行判断，可能导致信息丢失。同样，其他几种识别方法运用下也都存在一定的优势与弊端，要求在选择中结合实际需要。