每日一课 | 智慧灯杆视觉技术之图像分类算法与步骤分解

 

3.2 视觉技术

视觉技术主要用计算机来模拟人的视觉功能，但并不仅是人眼的简单延伸，更重要的是具有大脑的一部分视觉分析功能，即从客观事物的图像中提取特征信息，对特征借息降维处理后加以分析、理解，最终用于实际检测、工业测量和控制。

计算机视觉作为视觉技术的关键代表和组成部分，诸如图像检测、分类、识别和定位等功能的实现均依赖计算机视觉技术。下面介绍几种基于计算机视觉技术的重要应用及其学习模型。

3.2.1 图像分类

图3-4 图像分类

对于给定一组被标记为单一类别的图像，对一组新的测试图像的类别进行预测，并测量预测的准确性结果，这就是图像分类向题。计算机视觉技术研究提出了一种基于数据驱动的方法。该方法并不是直接在算法程序中指定每个感兴趣的图像类别，而是为计算机的每个图像类别都提供许多示例，然后设计一个学习算法，查看这些示例并学习每个类别的视觉外观。也就是说，首先积累一个带有标记图像的训练集，然后将其输入计算机中，由计算机来处理这些数据。

可以按照下面的步骤来分解。

（1）输入是由N个图像组成的训练集，共有K个类别，每个图像都被标记为其中一个类别。

（2）使用该训练集训练一个分类器，来学习每个类别的外部特征。

（3）预测一组新图像的类标签，评估分类器的性能，用分类器预测的类别标签与其真实的类别标签进行比较。

目前较为流行的图像分类架构是卷积神经网络（Convolutional Neural Networks，CNN）-将图像送入网络，然后网络对图像数据进行分类。