传统目标识别算法一般由以下三个步骤组成：预处理、特征提 取、分类识别。
通常，图像预处理分为图像去噪和图像增强。常用的噪声去除方法包括滤波算子 (均值滤波、中值滤波、维也纳滤波等)、小波去噪及稀疏编码去噪等方法。而图像 增强是为了突出目标信息从而提升后续模式识别的效率和准确率。一般根据具体应用情况而选择，常见的增强方法有直方图均衡化、gamma校正、图像锐化、显著性检测 等方法。
一,图像去噪（滤波去噪，小波去噪）
1，均值滤波

2.中值滤波

3，其他滤波等等

（二）小波去噪

不同于傅里叶变换单纯地从频率域分析不同，小波变换是一种结合时域和频域的局部化特性的时频分析技术。小波去噪是利用小波变换将带有噪声的图像转换到不 同小波分辨率呈现不同的规律，从而在不同的分辨率设定阈值限制，调整小波系数， 达到图像去噪的目的，这种方法也称为小波阈值滤波。

（三 ）稀疏编码去噪
基于冗余字典(redundant dictionary，也称为稀疏字典)稀疏分解技术近年来被认 为是最好的去噪算法。稀疏编码算法的思路是训练出一组“超完备”的基向量(冗余 字典)Df，使得输入的向量数据X能够用Df的线性组合来更高效地表达样本图像

（四）直方图均衡化方法
直方图均衡化是一种最通用的图像增强算法。它的理论依据是统计学上的信息熵，信息熵理论认为均匀分布的数据有最大的信息量，对于图像数据亦是如此。直方图均衡化通过非线性变换改变数据的灰度分布特性，拉伸图像中像素数多的灰度级， 归并像素数少的灰度级，使得分布更趋于平均，从而提升图像的对比度，提高图像信 息量，为后续特征提取和分类识别提供更有效的数据输入。

二，特征提取
图像的特征提取是图像检测和识别的核心，其目的是提取出有用的，有利于分类 识别的特征。不管什么图像，其本身都是含有许多特征，而这些特征按照其与分类效 果的影响，可以分为信息特征、冗余特征、不相关特征和噪声特征四类。而图像特征 提取所要做的，就是从特征中寻找出信息特征，尽可能地剔除其他三个特征。图像的 常见特征的提取一般从颜色、梯度、纹理和形状等几个方面去计算。目前模式识别上 最常用且有效的特征有：SIFT特征、LBP特征、HOG特征以及使用核回归的提取的特征等。

三，特征分类识别
在计算机视觉和模式识别领域常用的分类器主要有：罗杰斯特回归(109istic Regression)、 Sofimax分类器、朴素贝叶斯分类器(Naive Bayes)、决策树(Decision Trees)、KNN分类器(K-Nearest Neighbor)和支持向量机(SVM)等。在图像识别任 务中，使用最广泛的为SVM和Sofimax分类器。

本文介绍目标识别的三个处理步骤：预处理，特征提取和分类识别。图像的特征是其中最为关键的一步，虽然发展至今，已经有很多优秀的特征被提出和应用，但是没有哪一个特征是可以万能地适用于一切目标识 别问题。人工地挑选或者是设计特征是一件费时费力的事情，这也是限制目标识别进 一步发展的难点。随着科技的进步，一种依靠大数据训练，自动提取特征的技术开始 慢慢成为目标识别方法的主流，那就是深度学习。