图像识别，可认为是图像的模式识别，它是模式识别技术在图像领域中的具体运用。模式识别的研究对象基本上可概括为两大类：一类是有直觉形象的，如图像、相片、图案、文字等；一类是没有直觉形象而只有数据或信息波形，如语声、心电脉冲、地震波等。但是，对模式识别来说，无论是数据、信号还是平面图形或立体景物，都是除掉其物理内容而找出它们的共性，把具有统一共性的归为一类，而具有另一种共性者归为另一类。模式识别研究的目的是研制能够自动处理某些信息的机器系统，以便代替人完成分类和辨识的任务。狭义地讲，图形识别研究的模式就是图像。

对于不同的图像识别领域有不同的识别方法，目前已提出的识别方法包括：模板匹配、聚类分析、模糊模式识别方法、基于神经网络的图像识别方法、基于决策理论的判别方法和基于支持向量机的判别方法等。

模板匹配法就是对每个待识别的类别绘出典型标准模板作为识别标准，然后将待识别的类与标准模板相比较，从而做出判断。这种比较的实现是通过将一个标准的图像与输入的图像在一个分类器中进行相关运算，根据随机信号分析的知识可知，在自相关时，出现主峰值，即此时待识别物体与标准图像匹配，通过一个阈值作为一个判决规则，即可实现相关匹配识别。

若用f（x，y）表示采集的与已知某模板图像相匹配的输入图像，F（x，y）表示预先设定的标准模板序列，Q（x，y）表示在相关器比较后的输出，则模板匹配法可用图2-20表示。

设随机变量用x₁，x₂，y₁，y₂表示，则分类器的输出为

图2-20 模板匹配法模式识别系统框图

当x₁=x₂，y₁=y₂时，Φ（0，0）=f（x，y）F（x，y）dxdy

当f（x，y）=F（x，y）时，Φ（0，0）=f（x，y）f（x，y）dxdy

即为输入信息的自相关函数，并且有Φ（0，0）≥Φ（x，y），由此可见Φ（x，y）在Φ（0，0）处出现主峰，在其他处可能出现副峰，只要这些副峰不等于主峰就可用适当的阈值将其鉴别，这种模板匹配法既可在时域进行，也可在频域进行，既可进行整幅图像的匹配，也可在一幅大的图像中找到与小模板上的方向、形状相同的图像，这就要记录在大图像中找到的目标的位置。这种方法的优点是在一定条件下，其错误概率和拒识率最小，适用于图形匹配法、文字匹配法等噪声较小的地方，缺点是对识别系统存储要求高，识别时计算量大，另外对噪声敏感，所以不适用于文本的图像。

1.统计模式识别方法

统计模式识别的流程如图2-21所示，输入的图像信息是计算机能识别的数字信号，如BMP图像、JPEG图像；图像处理的目的是对采集的图像滤波，恢复使之有利于从原始信号中提取能反映图像本质的特征信息；最后是识别分类，并输出识别结果。(www.daowen.com)

在确定识别判别函数时需要大量的各种类别的图像样本，通过对样本特征的计算统计从而设定识别参数，也就是所说的统计学习过程。

图2-21 统计模式识别系统框图

假设对图像处理后已经提取了N个特征，而图像样本集分为m类，则识别图像的模式可以认为是N位向量空间的向量X，即：

模式类别为w₁、w₂、w₃、…、w_m，识别的内容就是判断X属于w_m中的哪一类。其中该图像模式识别有两个关键问题：一是特征提取的方法和特征选择的方法；二是判别函数的选取，如：模式有w₁、w₂、w₃、…、w_m共m个类别，则有D₁（x）、D₂（x）、…、D_m（x）共m个判别函数。如果X属于第i类，则有D_i（x）＞D_j（x）（j=1，2，3，…，m；j≠i）；当D_i（x）=D_j（x），则表示X既属于w_i又属于w_j类，该判别函数失效，必须考虑其他特征。

2.基于神经网络的图像识别方法

前面所提到的统计模式识别方法虽然在一定程度上能解决图像识别领域的实际问题，但是这些识别方法需要大量的计算统计，识别速度慢，判别函数选取困难，没有自学习功能，严重影响了其在图像识别领域的应用。随着人工神经网络技术的发展，模式识别技术也出现了一种新型的识别方法：基于人工神经网络的模式识别方法。在一定程度上神经网络的识别方法不同于前面提到的模板匹配法、统计模式识别法、结构模式识别法、模糊识别法和句法模式识别，但又在一定程度上与这几种方法又有许多相似的地方。图2-22给出神经网络应用于图像识别的一般模型。

图2-22 神经网络应用于图像识别的一般模型

神经网络与传统的统计模式识别在很多方面是有联系的，这种联系不但在于它们都是试图从样本数据出发完成模式识别问题，更重要的是它们在方法上有一定的等价关系。比如单层的感知机模型实际就是一种线性分类器，多层感知机则可以看作它在某种非线性的推广和发展，例如自组织映射网络如果使其邻域交互作用设为零，则等价于C均值聚类算法。同时结合模糊算法构成的模糊神经网络与模糊模式识别方法又有很多相似的地方。所以神经网络的模式识别并不能作为模式识别理论中不同于统计模式识别、结构模式识别等的新的识别方法，但是由于神经网络识别方法在实践中得到越来越广的应用，可以看作是传统模式识别方法的一种推广和改进。

人工神经网络方法实现模式识别，可处理一些环境信息十分复杂、背景知识不清楚、推理规则不明确的问题，允许样品有较大的缺损、畸变，且运行速度快，自适应性能好，具有较高的分辨率。神经网络方法的缺点是其模型在不断丰富完善中，理论发展还不够成熟。

当神经网络用于分类时，首先要选择各类的样本对网络进行训练，每类样本的个数要近似相等。其原因在于一方面防止训练后网络对样本多的类别响应过于敏感，而对样本数少的类别不敏感。另一方面可以大幅度提高训练速度，避免网络陷入局部极小点。