图像识别可以加快繁琐的任务，并比手工图像检查更快或更准确地处理图像。在许多应用中，图像识别是一项关键技术，也是深度学习应用的主要驱动因素，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。
• 自动驾驶在自动驾驶应用中，识别停车标志或行人的能力至关重要。
• 机器人学:图像识别可以被机器人用来识别物体，并通过识别路径上的位置或物体来增强自主导航能力。

图像识别是这些应用的核心技术。它在图像中识别物体或场景，并利用这些信息作为更大系统的一部分做出决策。图像识别正在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力来实现更好的决策。

图像识别与目标检测

图像识别和对象检测是类似的技术，并且经常一起使用。图像识别识别图像中的物体或场景;目标检测在图像中找到这些目标的实例和位置。

常见的目标检测技术是更快的R-CNN和YOLOv3。

图像识别技术

图像识别的方法有很多，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，您就越有可能想要探索深度学习技术。

基于深度学习的图像识别

深度学习方法的图像识别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，但简单的例子是开始学习和更多了解该技术的好方法。

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包括从图像中识别和提取关键特征，并将它们作为机器学习模型的输入。

• 训练数据：从图像集合开始，并将其编译为相关类别。
• 提取的特征：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。

你可以使用各种机器学习算法和特征提取方法，它们提供了许多组合来创建精确的目标识别模型。

提示:使用机器学习进行目标识别提供了选择特征和分类器的最佳组合进行学习的灵活性。它可以用最少的数据得到精确的结果。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

你如何知道何时使用深度学习或机器学习进行图像识别?在高水平上，区别在于机器学习的手动选择特征或深度学习的自动学习特征。

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，许多经典的图像处理方法在一些应用中都是非常有效的。图像处理技术往往非常适合“基于像素”的识别应用，如:

• 基于颜色的图像识别:通常，颜色可以为图像识别提供一个很好的特征。色相、饱和度和值(HSV)或红、绿、蓝(RGB)等特征可以提供对图像的洞察。
• 模板匹配：该技术使用小图像或模板在大图像中寻找匹配区域。
• 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. 图像标签的应用:干净的、预处理的数据确保了图像识别成功的最佳机会。与图片标志应用程序，你可以自动裁剪和标记图像的过程。

2. 探索深度学习和机器学习算法:刚开始的时候，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。

参见:模式识别