与手动图像检查相比，图像识别可以加快繁琐的任务并更快或更准确地处理图像。图像识别是许多应用中的关键技术，也是深度学习应用的主要驱动力，如：

• 目视检查：在制造过程中识别有缺陷或无缺陷的零件可以快速检查装配线上的数千个零件。
• 图像分类：根据图像内容对图像进行分类。这在电子商务中的图像检索和推荐系统等应用中特别有用。
• 自动驾驶：识别图像中的停车标志或行人的能力对于自动驾驶应用至关重要。
• 机器人学：机器人可以使用图像识别来识别物体，并通过识别路径上的位置或物体来增强自主导航。

图像识别是这些应用的核心技术。它识别图像中的对象或场景，并使用这些信息作为更大系统的一部分来做出决策。图像识别帮助这些系统变得更加敏感，本质上通过提供对系统的洞察来实现更好的决策。

图像识别与目标检测

图像识别与识别目标检测是类似的技术，经常一起使用。图像识别识别图像中的对象或场景；对象检测在图像中查找这些对象的实例和位置。

常见的目标检测技术是更快的R-CNN和YOLOv3。

图像识别技术

图像识别有很多方法，包括机器学习和深度学习技术。您使用的技术取决于应用程序，但一般来说，问题越复杂，您就越有可能希望探索深度学习技术。

基于深度学习的图像识别

图像识别的深入学习方法可能涉及使用卷积神经网络从示例图像中自动学习相关特征，并在新图像中自动识别这些特征。

图像识别的典型深度学习工作流：

深度学习技术听起来可能很复杂，但简单的例子是一个很好的入门和学习技术的方法。

提示：深度学习技术在图像识别中很受欢迎，因为它们提供了高度准确和稳健的结果。深度学习在处理大量训练数据时效果最好，而转移学习等技术可以简化图像识别工作流程。深度学习工具箱™提供一个框架，用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。

基于机器学习的图像识别

图像识别的机器学习方法涉及从图像中识别和提取关键特征，并将其作为机器学习模型的输入。

• 列车数据：从图像集合开始，并将其编译为相关类别。
• 提取特征：选择每个图像中的相关特征。特征提取算法可能提取可用于区分数据中类别的边缘或角点特征。
• 创建一个机器学习模型：这些功能被添加到机器学习模型中，机器学习模型将这些功能分成不同的类别，然后在分析和分类新对象时使用这些信息。

您可以使用各种机器学习算法和特征提取方法，它们提供多种组合来创建精确的对象识别模型。

提示：使用机器学习进行对象识别可以灵活地选择用于学习的特征和分类器的最佳组合。它可以用最少的数据获得准确的结果。统计和机器学习工具箱™提供用于描述、分析和建模的功能和应用程序数据

图像识别：深度学习与机器学习

您如何知道何时使用深度学习或机器学习进行图像识别？在高层次上，区别在于通过机器学习手动选择特征，或者通过深度学习自动学习特征。

利用传统图像处理技术进行图像识别

除了深度学习和机器学习外，许多经典的图像处理方法在某些应用的图像识别方面非常有效。图像处理技术往往非常适合“基于像素”的识别应用，例如：

• 基于颜色的图像识别：通常，颜色可以为图像识别提供出色的功能。色调、饱和度和值（HSV）或红、绿、蓝（RGB）等功能可以提供对图像的深入了解。
• 模板匹配:这项技术使用小图像或模板，在较大的图像中查找匹配区域。
• 图像分割和水滴分析：这将使用简单的对象属性，例如大小、颜色或形状。

MATLAB^®简化了图像识别的困难部分。

1. 图像标签应用程序：干净、预处理的数据确保了图像识别的最佳成功机会。和图像标签应用程序，您可以自动化裁剪和标记图像的过程。

2. 探索深度学习和机器学习算法：刚开始时，可能不清楚是使用深度学习还是机器学习技术。MATLAB提供了尝试所有方法组合的能力。探索深度学习或机器学习分类算法的预训练模型。

您可以通过TensorFlow等框架与网络和网络体系结构进行互操作™, 使用ONNX的Keras、PyTorch和Caffe2™ （开放式神经网络交换）导入和导出功能。

另见：模式识别