什么是图像分析？

 

图像分析是计算机识别图像中属性的能力。换句话说，它是指从获取的图像中提取数字数据的特征，根据人的主观判断和人的判断标准创建算法，并自动做出判断。

例如，图像分析技术通过智能手机照片应用程序在我们的日常生活中普遍存在。照片应用程序中使用的技术使用面部识别对照片中的对象进行分类并显示相似对象的列表。

我们也使用社交媒体，社交媒体以文本分析作为基本功能。此外，图像分析在社交媒体中变得越来越重要。

这是因为，从社交媒体分析的角度来看，图像分析被认为是应用于视觉内容的文本分析功能的延伸。

自 20 世纪 60 年代末人工智能出现以来，包括机器学习在内的人工智能不断发展。如今，该技术可用于通过从图像和附加信息中提取信息来自动做出决策。

图像分析简介

引入图像分析的一个例子是染色体畸变测试方法的发展。

染色体畸变测试方法是利用培养细胞来检查化学物质诱发染色体结构和数值畸变的能力，以预测癌变早期过程的测试方法。

通常使用微生物进行筛选测试来检测天然水和饮用水中所含的诱变剂和致癌物。然而，为了定量评估对人类的风险，需要使用哺乳动物作为测试对象。

因此，通过使用培养的哺乳动物细胞作为简单的测试方法，可以考虑到**性。

此外，由于利用培养的哺乳动物细胞进行染色体异常测试具有重要意义，因此在研究中使用染色体增益的图像分析来检测异常并提供测试结果的客观性。

另一方面，虽然图像分析技术已经取得了先进的发展，但充分利用它所需的分析方法却没有跟上。

因此，这项研究对于推进图像分析方法极其重要。

这项研究在“Proc. of Environ & Sani”，第 26 卷，1990 年中进行了描述。

图像分析的优点和缺点

图像分析的好处包括提高生产力、改善工作环境和降低劳动力成本。例如，如果将图像分析纳入检查工作中，则无需使用人眼即可确定零件的缺陷。

此外，除了图像分析之外，通过连接分拣机和机器人，可以自动对检查物品进行分类。

因此，检查工作可以长时间或在危险环境中进行，从而提高工作场所的**性。

此外，它还减少了人为错误造成的质量波动，并减少了重复检查人眼忽略的质量缺陷等浪费的精力，从而为其他任务腾出了时间并降低了人员成本。

另一方面，图像分析的缺点包括图像分析设备的成本和缺乏软件应用程序。

图像分析需要摄像头、传感器、监视器等，这增加了初始成本。此外，由于图像分析仍然是一项发展中的技术，因此可能很难找到适合您工作的软件和应用程序。

不过，由于这是一个未来有望继续发展的领域，因此有必要密切关注是否正在销售适合您需求的产品。

关于图像分析方法和类型

典型的图像分析方法分为三类：图像分类、目标检测和图像分割。

• 图像分类

  图像分类是指区分目标图像中的内容并将其划分为类别的方法。图像和照片包含不同的信息，并且通过从光栅图像中提取这些信息的特征来对图像进行分类。例如，通过让机器记住单个图像中的空间，例如狗、猫、人、天空和树木，它可以识别它们。

• 物体检测

  对象检测是一种通过使用类似于图像分类的操作来检测对象是什么的方法。然而，除此之外，物体检测缩小了物体的位置范围，并执行拒绝除所识别的物体之外的物体的操作。此外，图像分类针对图像中的一个目标，而目标检测可以检测多个目标。

• 图像分割

  图像分割是一种确定图像区域的方法。该方法通常通过结合多种技术来发挥作用。例如，为了确保所识别区域的可靠性，需要进行称为注释的标记工作。注释是一种给特定信息附加信息标签，并通过附加元数据来识别它的方法。

图像分析技术也有两种类型：

• 人脸识别

  面部识别是一种允许计算机提取和识别人的面部特征的技术。一种称为面部识别的技术用于将数据库中注册的面部信息与传感器检测到的面部信息进行比较。近年来，不仅可以检测人脸，还可以检测动物脸。此外，对读取面部表情的技术（称为情绪识别）的研究正在进行中。

• 字符识别

  字符识别是一种读取并区分纸质文档上书写的字符的技术。通常，通过使用扫描仪读取文本，或者通过使用相机拍照并读取文本来将文本捕获为文本数据。导入的字符数据转换为文本数据，用于翻译功能、字符差异检查等。

AI与图像分析的关系

AI全称人工智能，是模拟人脑结构，让计算机执行与人类类似的智力活动的系统。将此机制与图像分析相结合可以提供更多的确定性。

根据需求，使用人工智能的各种类型的图像分析正在变得流行。在本主题中，我们将解释常见的图像识别方法并解释它们的使用方法。

首先，为了使用人工智能，它必须准备图像数据并记住它想要检测的内容。这是因为使用人工智能进行图像分析只能确定某物存在，除非它能够识别目标。

虽然*好有大量图像来学习目标的特征，但如果图像数量较少，可以通过放大、缩小或旋转图像来增加图像数量。

此外，指定多个要学习的特征将提高准确性。例如，如果计算机只学习耳朵作为特征，它将检测到有耳朵的物体，但无法确定它们是什么类型的耳朵。

然后使用称为卷积的方法确定检测率。卷积将图像划分为多个矩形，并以数值方式确定矩形内的匹配率与特征相比的准确度。

学习特征后，使用一种称为池化的方法从卷积中选择数值*高的特征并总结特征。

*后，我们通过确定特征检测率和匹配率来评估性能。如果您在这里没有得到好的结果，我们将更新上面解释的方法。

利用图像分析

图像分析被用作开发混凝土裂缝图像分析技术的一种手段，例如使用 Gabor 小波变换。

Gabor 小波变换是一种用于分析数据的数学工具。

混凝土结构中的裂缝通过目视检查进行调查。

然而，在这种调查方法中，根据检查员的不同，评估结果也会存在差异，客观性和定量性也会因疏忽而受到影响。因此，需要检验测量的高效化、自动化和数字化，并进行了利用数字图像处理的研究。

为了建立这种图像处理方法，高精度的裂纹检测方法和处理操作是必不可少的。

因此，通过改进现有的利用二维Gabor小波变换的图像分析方法来实现这些目标，证实了该方法破解真实结构的有效性。

这项研究在“JSCE Transactions E2（材料/混凝土结构），第 68 卷，第 3 期，178-194，2012.178”中进行了描述。

图像分析也用于颗粒分析，例如测量陶瓷、树脂和金属等材料中的颗粒数量、颗粒直径、周长分布和颗粒破碎。