神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新型图像识别技术。在进行图像识别之前需要利用数字图像处理技术进行图像预处理以及特征提取。本文选取字符图像0~9作为识别目标，对图像预处理过程进行了叙述，并在此基础上选取字符图像矩阵每行的与每列的黑色像素点之和以及图像欧拉数这两个特征作为BP神经网络的输入样本。经实验仿真表明图像的平均识别率为89%，这表明图像预处理的结果和提取的特征是合适的、有效的，设计的BP网络也较好的完成了模式分类识别工作。

（反色+骨架提取+去尖刺） [r,c]=find(bw_170==0); bw_clean=bwselect(~bw_210,c,r,8);imshow(bw_clean) bw_skel=bwmorph(bw_clean,’skel’,6);imshow(bw_skel) bw_pruned=bwmorph(bw_skel,’spur’,8);imshow(bw_pruned)

此函数采用灰度图像并返回其最小有界框骨架图像和边界点的 xy 坐标，这里的边界_x 和边界_y 是参考图像左下角的坐标，即类似于几何（笛卡尔）坐标系

无人机具有体积小、时效性强、操作灵活、成本低等优点，其航拍遥感技术被广泛应用于灾害监测、环境侦察等方面。遥感图像预处理作为无人机图像拼接的第一环节，其处理效果会直接影响到后续拼接的速度、配准准确度以及图像拼接质量。 受限于无人机的飞行高度低、体积小、重量轻导致的抗风能力差、数码摄像头焦距不足等因素的限制，无人机遥感技术所拍摄的图像往往像幅小、数据量大;无人机遥感图像还会受到诸多环境变量的影响，如光照、烟雾等，这也导致了即使是相邻多幅图像之间，也会存在较大的亮度差异和色调差异，这些也会影响到特征点检测的准确度以及最后图像融合的质量，因此在预处理阶段中引入图像增强十分必要。在任何图像采集过程中，噪声干扰都是需要考虑的因素，本文所提出的基于图像锐化的平滑处理能够有效地去除噪声并增强图像细节为下一步特征配准打下良好的基础。

时间比较紧张,几个小时做出来的，图像配准方面可能有点问题，但是应该不影响整体得分，大家可以参照一下。最后大家可以将自己做的页面生成为软件，具体方法看我博客。

目前许多轴承生产线上利用人工肉眼识别轴承工件号，这样不仅识别效果不好且效率低.在本文设计了一种基于机器视觉的轴承压印字符识别算法，该算法有利于轴承的生产以及后续的管理工作.首先对采集到的图像进行高斯滤波降噪，减少噪声对后续操作的影响；然后利用最小二乘法对ROI圆环进行提取，确定要进行操作的图像区域；接着使用八分之一圆扫描方法将圆环图像展开，使得字符识别操作更加简洁；随后对字符进行切分、归一化；最后使用SVM对字符进行识别.实验表明，该方法能够实现轴承压印字符识别，识别准确率在98%以上，并且具有良好的鲁棒性，系统响应速度快，能够满足工业需求.

计算机视觉基础-图像预处理（上） 计算机视觉.pdf

计算机视觉基础-图像预处理（上） 计算机视觉.pdf

博客Opencv4专栏汇总，供自己学习

本文介绍的是利用FPGA并行处理和计算能力，以Altera FPGA Stratix EP1S40为系统控制的核心实现的SOPC。