算法是什么，常常听到，也常常用到，它究竟是什么？是一串串使用计算机语言书写的代码，专门用于解决某类技术问题，可称之为专用软件工具。软件工程师再利用这些工具去解决问题，并呈现给工业和工程领域内的各类用户。

       玖瑞科技基于对算法技术的理解，本文谈谈基于机器学习的图像识别。

       基于机器学习的图像识别，实际上有两个概念，一是机器视觉技术，二是机器学习知识，需要结合这两方面的专业技术知识。一般情况下，算法人员是要分两部分来做的。

获取图像特征

       主要是通过特征设计来获取图像特征。算法研究人员基于所掌握的深厚的专业技术知识和丰富的工程技术经验等对图像进行研究比较分析，确认可用于图像识别的特征，再利用各类图像处理方法获取所需要的图像特征数据，用于有效地判别和分析。

      更多的时候，技术复杂难度较大的系统（项目）中的图像所表达的形态或色泽并不明显，机器学习的模型并不能准确地分类。为了克服特征的不足，玖瑞科技的算法人员往往去挖掘图像局部关键区域的特征用于表达，常常使用图像关键区域中具有尺度、平移、色泽及旋转不变性的纹理分布信息提取特征，这类特征往往能表达细微差距。技术总结和工程实践相互影响和推动，算法人员还会采用很多新的特征提取方法，很多识别算法往往需要多种特征提取方法融合使用，才能在图像识别中取得较好的效果，

满足用户的需求。

建立分类器模型

       用于表达图像特征的信息数据和图像分类间的映射关系，是实现图像识别的核心部分。有效的图像特征信息和图像分类器的建立方法是精确高效图像识别的两个轮子，缺一不可。

       机器学习就是建立图像分类器模型的有效而重要的方法之一，其中，支持向量机(SVM)是一种代表性的方法。

       SVM 可以将线性不可分的图像数据转化为线性可分的高维特征空间中，使用核函数方法降低分类难度同时不增加计算的复杂程度，可以在特征空间中构建最优超平面，使分类器模型通过学习达到全局最优解。玖瑞科技同样在核函数的研究和选择上有了一些进展和成功运用，这也是技术的关键和难点。

       通过获取并融合图像特征，研究和选择核函数，建立适当的分类器模型，最终实现对图像的准确理解和识别。

（本文由玖瑞科技技术部视觉与测控技术实验室整理提供）