机器视觉识别是一种计算机技术,旨在使计算机系统能够模仿人眼和大脑的功能,识别、分析和理解图像和视频。这项技术涉及图像处理、模式识别、计算机视觉、计算机图形学等多个领域。

机器视觉识别用到的方法

机器视觉识别涉及到多种方法和技术,以下是几种常见的方法:

机器视觉识别是什么机器视觉识别用到的方法

1. Blob分析法(Blob Analysis)

Blob分析法是在计算机视觉中用来指代图像中的具有相似颜色、纹理等特征所组成的一块连通区域。Blob分析的过程是将图像进行二值化,分割得到前景和背景,然后进行连通区域检测,从而得到Blob块的过程。简单来说,Blob分析就是在一块“光滑”区域内,将出现“灰度突变”的小区域寻找出来。这种方法适用于背景单一,前景缺陷不区分类别,识别精度要求不高的场景。

2. 模板匹配法

模板匹配是一种最原始、最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物。这种方法通过统计计算图像的均值、梯度、距离、方差等特征可以在图中找到目标,确定其坐标位置。模板匹配法对于图像或者模板的变化(如旋转、修改像素等)较为敏感,因此在应用时需要构建较完善的模板库。

3. 深度学习法

深度学习的应用使检测精度和检测速度都获得了改善。自AlexNet在比赛中使用卷积神经网络进而大幅度提高了图像分类的准确率,便有学者尝试将深度学习应用到目标类别检测中。进入深度学习时代以来,物体检测发展主要集中在两个方向:twostage算法如R-CNN系列和onestage算法如YOLO、SSD等。

4. 图像预处理

图像预处理是机器视觉识别中的一个重要步骤,包括矫正机器视觉所获得的图像目标,并将噪音等干扰进行合理过滤,对图像目标内部的信息开展有效提取。这通常包括图像的平移、旋转、缩放等操作,以及滤波处理,以去除图像中的噪音干扰,保留图像的各项特征。

5. 图像分割

通过加强图像分割,能够提高机器视觉的图像目标识别的自动化水平,使得图像目标识别效果更加显著。图像分割的方法有很多种,包括阈值分割法、能量最小化分割方法、区域生长分割方法等。

6. 特征提取

特征提取是在众多繁复的图像信息当中,要提取出符合要求的图像特征,对提取技术的速度与精度要求特别高。描述子的出现,有效解决了以上问题,例如,采用SURF描述子对图像目标特征进行识别,能有效提高图像目标识别效率和效果,同时SIFT