計算機在看圖的時候，它在看什么？

圖像識別技術(shù)是指對圖像進行處理，識別各種不同模式的目標和對象的技術(shù)。

隨著數(shù)字化浪潮的到來，越來越多的數(shù)據(jù)以圖片為載體存在。面對海量的數(shù)據(jù)，就要求我們具備能快速從中提取信息的能力。

圖像識別就是我們需要的技術(shù)，它就像給計算機裝上了眼睛，可以和人類一樣從圖像中快速獲取信息，給數(shù)字化智能化提供更多的可能性。目前圖像識別技術(shù)已經(jīng)被廣泛應(yīng)用，比如人臉識別、自動駕駛。這些看似高大上標簽背后的邏輯其實并不難。

當我們?nèi)祟愑醚劬匆粯訓(xùn)|西的時候，會先在大腦的記憶中搜索匹配，完成識別。當計算機識別一張圖片也是類似的過程，它會提取圖片中主要特征，與程序中的規(guī)則進行比較。這些特征和規(guī)則可以來自預(yù)設(shè)，也可以通過學(xué)習(xí)獲得。前者就是單純的圖像處理識別，后者通常應(yīng)用于人工智能中。可能很多朋友看到人工智能這幾個詞就感到非（失）常（去）有（興）趣，其實就用簡單的圖像處理已經(jīng)能解決很多問題了。

計算機“看”一張圖片時，它究竟在看什么呢？

當一張圖片被無限放大的時候，可以發(fā)現(xiàn)它是由一個個像素點組成的。對計算機來說，每張圖片就是不同像素值的排列組合。如果我們用不同的數(shù)字代表不同的顏色，圖像就可以表示為一個矩陣。當計算機去“看”一張圖片的時候，其實就是對矩陣中的數(shù)字進行運算，找到一些特征值。其中，顏色特征和輪廓特征是比較基礎(chǔ)和常用的兩種。

顏色

圖片中每一個像素值代表的就是一種顏色。不同類型格式的圖片采用的顏色模式不同，比如RGB、HSV、HSL等。其中最常用的像素顏色描述方式就是RGB（紅、綠、藍）空間，通過這三原色的組合能描述任何顏色。顏色相關(guān)的處理中，可以直接通過像素值進行圖像分割，提取目標信息。也可以進行直方圖（顏色分布）等統(tǒng)計分析，提取關(guān)鍵信息。

輪廓

輪廓是圖像很重要的一個外部特征。對于人來說，很容易能夠區(qū)分物體的邊界，也就是那些顏色發(fā)生明顯變化的地方。這一點對于機算機也是一樣，它也是根據(jù)像素值的變化率（梯度）來找出邊緣。在這一步中，一般會將三通道的RGB圖片轉(zhuǎn)為單通道的灰度圖，僅保留一個通道。通過輪廓識別算法獲得了圖形的邊緣輪廓之后，就可以進行定位或匹配，或者更進一步的應(yīng)用。

我們掌握了以上兩點其實已經(jīng)可以解決很多問題了，不信？你看看這個案例！

在設(shè)計測試PCB過程中的某個環(huán)節(jié)，工程師需要從以下這樣的圖片中提取特定顏色連接線的連接關(guān)系。這本是一個非常枯燥且容易出錯的工作，要找到指定顏色的所有線段，還有列出它們連接關(guān)系。利用圖像識別技術(shù)就可以輕松完成這個工作，用到的就是顏色和輪廓特征。例如其中針對連接線的操作：

利用顏色特征將指定顏色像素從圖片中分割出來

灰度化：減少信息量

獲取圖形邊緣輪廓信息

除了以上這些，還有其他圖片處理及特征提取的方法，需要根據(jù)具體的處理需求選擇。現(xiàn)有的一些圖像算法庫也都提供了很好的支持。

這樣一個小功能可以替代原本枯燥耗時的工作，大大提高了工作效率。通過這些數(shù)字化智能化的手段對價值流的可能環(huán)節(jié)進行優(yōu)化，也能讓工程師把更多的時間投入到核心設(shè)計工作中。對于開發(fā)團隊來說，也得到了互相學(xué)習(xí)的機會，能更好地理解業(yè)務(wù)中的需求。