图像识别技术是计算机视觉的重要研究部分,在监控录像、交通监控、人机交互、手机识别解锁、车牌识别等都有非常广泛的应用。目前图像识别的方法有很多,根据在识别过程中用到的识别特征不同,大致可以分为基于区域的算法、基于模型的算法、基于轮廓的算法和基于特征的算法等四类。根据在识别过程中的算法不同,大致可以分为基于滤波理论的图像识别方法、基于Mean Shift的图像识别方法、基于偏微分方程的图像识别等三类。但是,因为这些算法与图像中点的位置和顺序都有密不可分的联系,因此图像在进行旋转、平移、缩放时,其识别准确率都会受到影响。因此,对现有图像识别方法进行有效的改进是有工程实践意义的。近十几年来,基于图论方法的复杂网络研究是工程领域中受到极大关注的一个研究方向,其不仅在网络通讯、控制工程等领域中有广泛的应用,而且在图像识别研究领域也有重要应用。复杂网络是由节点及节点间的连接关系组成的一种拓扑网络,网络的结构仅与节点间的相互连接关系有关,无关乎节点的顺序与位置。因此,从理论上说,将复杂网络方法引入到图像识别中,将会减小图像在发生旋转、平移、缩放时对识别准确率的影响。值得注意的是,现有的基于复杂网络的图像识别方法主要存在以下两个缺点:(1)复杂网络建模时将灰度图像全部像素点作为网络的节点,即关联网络的节点数目与原始图像中像素点相同,这使得对网络的计算相当缓慢。(2)复杂网络建模中,加权网络总是一个完全加权图,这意味着会有无效的特征参量计算(在时间和存储上)。这不仅拖累计算速度,而且也影响识别准确率。针对上列问题,本文首先采用分水岭算法对灰度图像进行分割,将图像分割为多个连通区域,基于区域像素相似性原则,提取区域的代表点作为节点,因而极大地减少了图像复杂网络模型中的节点数量,提高了图像识别计算速度。在此基础上,本文分别考虑了基于欧氏距离、灰度差绝对值的网络连接关系,改进了网络拓扑特征参数选取方法,最后也将图像中兴趣点作为图像识别的依据,提高了图像识别的准确率。数值仿真显示,与现有的相关方法相比较,本文给出的图像识别算法的主要优点是:网络建模节点数量大大减少,复杂网络更加稀疏,图像识别算法计算速度更快。