基于深度学习的图像识别技术研究综述_基于深度学习的番茄目标识别技术研究进展

基于深度学习的图像识别技术研究综述

1、图像识别过程

图像预处理主要是为了消除干扰，增强目标图像信息，更好地进行图像特征提取。

2、常见的预处理方法

（１）灰度化：将 ＲＧＢ图像改为灰度图像，主要有分量法、加权平均法等；
（２）几何变换：主要通过插值法对图像进行空间变换，减少图像误差信息；
（３）图像增强：增强目标图像信息，包括灰度变换法、直方图修正以及滤波等方法。

传统的图像识别方法需要人为提取图片特征，识别精度依赖于特征提取的准确度。它的图像特征提取方法包括ＳＩＦＴ、ＨＯＧ 以及ＳＵＲＦ等，图像分类技术包括 ＫＮＮ、ＳＶＭ 以及朴素贝叶斯等分类算法。

3、图像识别的深度学习网络模型

常见的深度学习网络模型包括卷积神经网络、递归神经网络、以及生成对抗网络等。

ＣＮＮ 网络模型是一种用来处理具有网络结构数据的神经网络。

首先将预处理后的图片输入到 ＣＮＮ