一、图像识别流程：
1、图像识别的流程：
图像识别流程
2、根据本人的理解，使用人工智能进行图像识别主要分两阶段：
1）样例训练阶段：对样例图片进行图像预处理à分割à特征提取à生成识别模型。识别模型是这个阶段的最终成果，也是后续模型应用的基础。
2）应用阶段：对于要使用上述模型进行识别的图片，同样需要对图片进行图像预处理、分割、特征提取流程。根据提取的特征，选择适当的分类器，如KNN，贝叶斯、CNN等，使用上述识别模型对图片进行分类等。
二、图像预处理
1、预处理的主要目的：
1）增强有用信息的可检测性：消除图像中无关的信息（去噪音），恢复有用的真实信息，增强有用信息的可检测性。
2）提升处理效率：最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。
2、预处理的方法：
1）灰度化：在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值。因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值）。对彩色图像进行处理时，我们往往需要对三个通道依次进行处理，时间开销将会很大。因此，为了达到提高整个应用系统的处理速度的目的，需要减少所需处理的数据量。
常用的灰度化算法：
u 分量法
u 最大值法
u 平均值法
u 加权平均法
2）几何变换:
图像几何变换又称为图像空间变换，通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，用于改正图像采集系统的系统误差和仪器位置（成像角度、透视关系乃至镜头自身原因）的随机误差。
常用的几何变换算法：
u 灰度插值算法
u 最近邻插值
u 双线性插值
u 双三次插值。
3）图像增强
增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果。
3、 图像增强算法可分成两大类：
1）空间域法： 空间域法是一种直接图像增强算法，分为点运算算法和邻域去噪算法。点运算算法即灰度级校正、灰度变换（又叫对比度拉伸）和直方图修正等。邻域增强算法分为图像平滑和锐化两种。平滑常用算法有均值滤波、中值滤波、空域滤波。锐化常用算法有梯度算子法、二阶导数算子法、高通滤波、掩模匹配法等。
2）频率域法：频率域法是一种间接图像增强算法，常用的频域增强方法有低通滤波器和高通滤波器。低频滤波器有理想低通滤波器、巴特沃斯低通滤波器、高斯低通滤波器、指数滤波器等。高通滤波器有理想高通滤波器、巴特沃斯高通滤波器、高斯高通滤波器、指数滤波器。
三、图像分割：
1、图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。它是由图像处理到图像分析的关键步骤。
图像分割前后
2、常用的图像分割方法主要分以下几类：
1）基于阈值的分割方法。
2）基于区域的分割方法。
3）基于边缘的分割方法。
4）基于特定理论的分割方法，如直方图法等。
图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。
四、图像特征提取：
1、定义：
1）特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。
2）特征提取：将原始特征转换为一组具有明显物理意义（Gabor、几何特征[角点、不变量]、纹理[LBP HOG]）或者统计意义或核的特征。
3）特征选择：从特征集合中挑选一组最具统计意义的特征，达到降维的目的。
2、特征类型：
1）边缘：是组成两个图像区域之间边界（或边缘）的像素。
2）角：是图像中点似的特征，在局部它有两维结构。
3）区域：描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成。
4）脊：长条形的物体被称为脊。
3、特征提取常用算法：
1）SIFT（尺度不变特征变换）
2）HOG（方向梯度直方图）
3）神经网络
4） 其他传统特征提取的方法（SURF、ORB、LBP、HAAR）
参考资料：
1.https://baike.baidu.com/item/%E5%9B%BE%E5%83%8F%E9%A2%84%E5%A4%84%E7%90%86/5786684?fr=aladdin
2.https://baike.baidu.com/item/%E5%9B%BE%E5%83%8F%E5%88%86%E5%89%B2/10986705?fr=aladdin
3.https://baike.baidu.com/item/%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96/8827539?fr=Aladdin
4.https://blog.csdn.net/joaming/article/details/82146604