基于深度學習的圖像處理技術

李勝旺　韓倩

摘要：隨著信息時代的不斷發展，深度學習已經貫穿計算機各個領域，如人工智能、圖像識別、文字識別等領域的不斷優化不斷發展都跟深度學習有聯系。事實證明，深度學習已經成為促進各個領域不斷向前進步的必然趨勢。因此，本文就對深度學習以及在圖像處理上面的研究和應用做一個簡要的了解，首先學習圖像處理和深度學習技術的相關概念，然后闡述一下深度學習在圖像處理技術上的一些應用，最后對深度學習在圖像處理領域的影響作用做一個總結。

關鍵詞：深度學習；圖像處理；圖像去噪；圖像分類；圖像增強

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2018）09-0065-02

人工智能的發展促進了現代化科技和智能化生活的發展，它最大的貢獻就是給人們生活和工作帶來了極大的方便。而深度學習作為機器學習領域的一部分，在人工智能發展方面起著至關重要的作用。為此，加大對深度學習的研究，將深度學習與其它領域有機的結合起來，為了人們的生活和社會的發展，去研發一些新產品和新技術，顯然是很必要的。

1 圖像處理與深度學習

1.1 圖像處理技術

圖像處理是將圖像信息轉化成數字信息為計算機所識別并進行相關數據處理的一門技術，計算機進行圖像處理包括圖像分類、壓縮、增強、編碼、特征提取等過程，為了保證圖像的清晰度和對有效信息的識別，圖像處理技術需要多方面技術的支持以提高圖像的分辨率和質量。

圖像處理作為人工智能領域的一門交叉學科，它穿插在模式識別、機器視覺、多媒體技術等多個領域。隨著智能化時代的到來，有關圖像處理技術的成果也應用在人們的生活之中，比如，車輛檢測、二維碼支付、指紋識別等技術的應用，方便了生活的同時，也使得人們對圖像的質量要求越來越高。

1.2 深度學習領域

深度學習本質是模仿人腦的思考能力去分析解決問題的神經網絡，運用深度學習可對文字、圖像和文本等進行信息提取和識別。深度學習的發展歸功于2006年一位來自加拿大的學者研究的人工神經網絡模型，使得對信息處理的維度降低。至此，對深度學習的繼續研究成為了越來越多的學者追求的目標。各大科技企業也競相加入對深度學習的關注，如谷歌、Facebook等高科技企業。

深度學習貫穿計算機視覺領域的各個部分，用深度學習的神經網絡模型模擬人腦工作的原理，在圖像識別領域取得了一些成果。

2 深度學習在圖像處理方面的應用

2.1 深度學習在圖像去噪算法上的應用

由于環境、人為等因素的影響，致使采集到的圖像在識別的時候并不能獲取有效的信息。這時候就需要將圖片進行一定的優化，基于神經網絡模型設計的圖像去噪算法已經很好的實現了對高噪聲圖片進行有效的處理。其中，秦品樂等人研究出了一套利用深度學習模型進行圖像去噪處理的技術方案，該方案通過含噪聲圖像與原圖像之間的非線性映射，結合卷積子網收集的特征信息，將這些特征信息再進行恢復原圖像。實驗證明，該項技術方案運用卷積網絡進行圖像去噪處理獲得了一定的成就，提取了大量的紋理信息；對于低信噪比圖像的處理，王純等人提出了兩種算法，一種算法是基于深度學習中的卷積神經網絡模型實現對真實場景圖片進行的去噪處理，另外一種算法是通過最小二乘法構建非局部加權的圖像去噪算法。實驗表明，兩種算法都有效的實現了對低信噪比圖片的有效去噪處理；相比低信噪比的研究技術，高信噪比的研究領域難度更大一些。吳祥威等在多層感知器的基礎上，通過深度學習技術對隱藏層部分的參數進行改進，實現了對多層感知器模型的優化，研究出了一種高效的去噪能力的模型。實驗表明，使用線形整流函數對激活函數的改進能進一步提高圖像尤其是高斯噪聲下的圖像的去噪處理能力。

圖像去噪是圖像處理領域的一個重要研究方向，進行去噪的目的就是提高圖像識別信息的能力，是人類進行信息識別的必要條件。尤其是在醫療和安檢領域，如何獲取清晰的圖像是進行識別信息的前提。運用卷積神經網絡學習圖像的特征信息非常容易，近幾年在圖像去噪技術上獲得了比較好的成果。

2.2 深度學習在圖像分類算法上的應用

圖像分類算法一般包括區域劃分、特征提取和分類器識別分類三個步驟，其中特征提取是關鍵的一步，有效的特征提取關系著對下一步分類的結果，結合深度學習進行圖像分類的算法設計能夠進一步提高特征提取的性能。林妙真等人針對人臉識別的多姿態變化問題提出一種基于深度網絡結構的算法，實驗表明該算法在圖像分辨率和識別多姿態變化方面提高了一定的性能；基于深度學習對人臉識別技術的研究問題越來越受到業界人士的廣泛關注，陳瑞瑞等人運用卷積神經網絡實現了對人臉識別算法的改進，實現了對數據過擬合現象的有效抵制，實驗證明了深度學習的卷積網絡模型具有很好的圖像分類效果；王爽等人分別從單標記圖像和多標記圖像兩個方面研究深度學習在圖像分類算法上的應用，運用PCA和LDA算法實現對單標記圖像特征進行降維處理，然后結合SVM和KNN分類器進行分類，從而通過降維處理優化圖像分類的性能，通過最小hausdorff和平均hausdorff兩種不同度量距離的方法的對比，實現了多標記圖像復雜分類的特征提取。

基于深度神經網絡進行圖像分類的研究成果越來越實用化。我國著名的搜索引擎百度應用神經網絡技術進行的圖像分類識別，它的精確度已經達到了90%以上。百度引擎的廣泛應用證明了基于深度學習的圖像分類算法是一個目前以及未來還會繼續研究的方向。

2.3 深度學習在圖像增強算法上的應用

作為圖像處理的必須階段，圖像增強的結果能夠突出圖像中的特征區域，完善圖像的視覺效果，使得增強后的圖像能夠更好的為人類和機器進行識別。崔盼盼等將圖像超分辨率技術結合深度學習理論進行圖像增強處理，對卷積神經網絡和快速卷積神經網絡的超分辨率算法進行改進，使得處理后的圖像更加滿足人們的視覺要求，實驗表明，該算法的提出有效的增加了圖像重建的效果，對以后的圖像增強技術提供了一定的參考價值；丁雪妍等人運用卷積神經網絡對圖像進行增強處理，采用白平衡方法有效的改善了對水下圖像顏色的修正問題、運用場景深度模型進行去模糊操作、超分辨率模型細化了圖像的分辨率，實驗證明了該項技術對水下圖像識別分辨率研究方面有了一定的提高；胡偉東等在氣象衛星領域方面，首次運用SRCNN算法證明了MMSI高溫數據的有效性，但是由于深度學習需要大量的訓練模型進行實驗，所以僅僅證明了算法的可行性。

隨著近幾年科研成果的不斷涌現，深度學習在圖像增強技術上面的應用也越來越廣泛，為了增加圖像的視覺效果，不同的業界人士使用不同的算法進行模型訓練，圖像增強技術的進步促進了圖像識別的研究和發展。

3 結語

如何選取圖像有效的特征信息影響著圖像識別的準確率和關系著圖像的分類結果，所以在圖像處理技術上面一定要提高專業性能，深度學習理論有效的學習了圖像的深層語義信息，使得圖像提取的特征具有很好的魯棒性，在保證圖像質量和提高圖像識別的準確率的同時，很好的保持了圖像的完整性，使得圖像的有效信息不受損害。

參考文獻

[1]雷倩.基于深度學習的圖像超分辨率重構[D].河北師范大學，2015.

[2]王恒歡.基于深度學習的圖像識別算法研究[D].北京郵電大學，2015.

[3]陳先昌.基于卷積神經網絡的深度學習算法與應用研究[D].浙江工商大學，2014.

[4]李傳朋，秦品樂，張晉京.基于深度卷積神經網絡的圖像去噪研究[J].計算機工程，2017，43（3）：253-260.

[5]盧宏濤，張秦川.深度卷積神經網絡在計算機視覺中的應用研究綜述[J].數據采集與處理，2016，31（1）：1-17.

[6]吳洋威.基于深度學習的圖像去噪算法[D].上海交通大學，2015.

[7]林妙真.基于深度學習的人臉識別研究[D].大連理工大學，2013.

[8]杜騫.深度學習在圖像語義分類中的應用[D].華中師范大學，2014.

[9]王爽.深度學習在圖像分類中的應用研究[D].山東師范大學，2016.

[10]崔盼盼.基于深度學習的圖像超分辨率重建算法研究[D].山東科技大學，2017.

[11]孫飛飛.水下圖像增強和復原方法研究[D].中國海洋大學，2011.

[12]丁雪妍.基于卷積神經網絡的水下圖像增強算法研究[D].大連海事大學，2017.

[13]沈庭芝，王衛江，閆雪梅.數字圖像處理及模式識別[M].北京理工大學出版社，2007.

[14]賈永紅.計算機圖像處理與分析[M].武漢大學出版社，2001.

[15]林杰，李如意.基于深度學習的圖像識別處理[J].網絡安全技術與應用，2017（11）：65-67.

[16]劉涵，賀霖，李軍.深度學習進展及其在圖像處理領域的應用[J].中興通訊技術，2017，23（4）：36-40.