图像识别分为图像处理和图像识别两个部分。

一、图像处理(imageProcessing)利用计算机对图像进行分析，以得到期望的结果。

图像处理可以分为模拟图像处理和数字图像处理，图像处理一般是指数字图像处理。

这一过程大部分依靠软件实现。

消除干扰、噪声，使原始图像程序适合计算机进行特征提取的形式，主要包括图像采集、图像增强、图像还原、图像编码压缩、图像分割等。

1、图像采集。

图像采集是数字图像数据提取的主要方法。图像采集是将一幅图像转换成适合计算机处理的形式。

2、图像增强。

图像成像、采集、传输、复制等过程中图像的质量都或多或少地造成了一定的退化，数字化后的图像视觉效果并不令人满意。在图像增强上没有考虑图像降质的原因，增强后的图像更加赏心悦目，为后期图像分析和图像理解奠定了基础。

3、图像还原。

图像还原又称图像恢复，因其获取图像时环境噪声的影响、运动引起的图像模糊、光线的强弱等原因使其模糊，要提取比较清晰的图像，需要对图像进行恢复。另一种特殊的图像恢复技术是图像重建，它是根据一组目标横剖面的投影数据生成图像。

4、图像的编码和压缩。

数码图像的显著特点是海量的数据量，并占用相当大的存储空间。但是，计算机网络带宽和大容量存储器不能进行图像处理、存储、传输。图像编码压缩技术可以减少图像的冗余数据量和存储器容量，提高图像传输速度，缩短处理时间。

5、图像分割技术。

图像分割就是将图像划分为多个具有各自特点的子区，每一个区域是像素的连续集合，它的特点可以是颜色、形状、灰度、纹理等。对实际的图像，需要根据不同的场景条件选择合适的分割方法。该图像的分割为进一步的图像识别、分析和理解奠定了基础。

二、图像识别是指对图像处理后的图像进行特征提取和分类。在鉴别方法中，最基本、最常用的有统计法(决策理论)、句法识别(或结构法)、神经网络、模板匹配法、几何变换法。

1、统计法(StatisticMethod)

它是对所研究图像进行大量的统计分析，找出其规律，提取反映图像本质特征的特征，用于图像识别。该方法基于数学决策理论，建立了统计识别模型，具有最小的分类误差。由于统计方法建立在严格的数学基础上，而忽略了已识别图像的空间结构关系，在复杂的图像、类别数较多的情况下，就会导致特征数目的激增，给特征提取带来困难，并使分类难以实现。特别是当识别图像(如指纹、染色体等)的主要特征是结构特征时，用统计方法识别比较困难。

2、句法识别法(SyntacticRecognition)

这是对统计识别方法的一种补充，在用统计方法识别图像时，用数字特征描述图像特征，而句法方法则用符号来描述图像特征。模式识别源于统计方法，而句法方法则扩展了模式识别的能力，使之不仅可以用来进行图像分类，还可以用来分析物体结构。但在存在大量干扰和噪声的情况下，句法识别方法对子图像(基元)很难提取，容易造成误判率，难以满足分类识别精度和可靠性的要求。

3.神经网络方法(NeuralNetwork)

它是一种利用神经网络算法对图像进行识别的方法。神经网络系统是由大量而又简单的处理单元(称为神经元)组成的，尽管每个神经元的结构和功能都非常简单，但是由许多神经元组成的网络系统却有着丰富而复杂的表现。由于神经网络方法存在收敛速度慢、训练量大、训练时间长、存在局部最小、分类精度不高等问题，在实际应用中难以适应新模式频繁出现的情况，需要进一步提高其实用性。

4.匹配模板(模板匹配法)

这是最基本的图像识别方法之一。我们所说的模板就是用来检测被识别图像的特定区域特性的阵列，它可以是一个数字量，也可以是符号串等等，所以我们把它当作统计或者句法的一个特例。传统的图像匹配方法是利用绝对差平方和作为不匹配量度来计算匹配量度，但这两种方法往往会出现错配现象，采用几何变换匹配法进行匹配，有助于提高图像的稳健性。

5、几何变换的典型方法主要有霍夫变换(HoughTransform)。

霍夫变换是一种快速的形状匹配技术，它通过对图像进行某种形式的变换，将某一形状曲线上的部分变换到霍夫空间，从而形成峰点，从而使给定形状的曲线检测问题转化为霍夫空间中峰点的检测问题，可用于有缺损形状的检测。