多層神經網絡算法在圖像處理中的應用

趙唯辰 李玉杰 徐星雨

【摘 要】隨著當前計算機專家們對人工智能算法的研究逐漸深入，在當下關于人工智能的應用已經非常的廣泛，幾乎覆蓋不同領域的各行各業，尤其是在圖像處理中，包括圖像邊緣檢測、圖像分割、圖像識別、圖像匹配、圖像分類等工作。人們希望通過對人工智能算法的研究與開發，更好地完成包括圖像處理在內的一系列繁雜的工作。本文研究人工智能算法中的多層神經網絡算法在圖像處理過程中的應用，并介紹深度學習中的卷積神經網絡在圖像識別、特征提取中的應用。

【關鍵詞】人工智能；圖像處理；多層神經網絡；卷積神經網絡

1人工智能的內涵

人工智能的出現是隨著科學技術的發展而興起的，來自美國的尼爾遜教授認為“人工智能是一門十分重要的學科，它是一門研究智能的學科，它可以將人類的意識無限的拓展”。溫斯頓教授所提出的定義能夠給我們在人工智能方面的研究提供依據，以便在研究過程中開發出更加人性化、智能化的技術來不斷服務于人類，提高人類的工作效率和生活水平，不斷促進社會經濟的發展進程。

人工神經網絡是一種模擬動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。在實際應用中可以通過調整內部大量節點之間相互連接的關系來達到處理信息的目的，信息在處理過程中能夠體現出較大的自組織性，因而人工神經網絡具有自組織、自學習、自推理和自適應等優點。該項算法在圖像處理中的應用中主要就是實現對圖像的壓縮操作，在實際應用中可以在圖像輸出層和輸入層之間、中間傳輸層中分別設置較多和較少的節點，然后神經網絡計算法會神經網絡計算法，能夠最大程度上節約儲存的空間，同時還能夠提高傳輸效率并實現圖像在輸出層的還原。

2人工神經網絡算法在圖像處理中的應用

2.1人工神經網絡

神經網絡算法是人類從動物身上所學到的一種非常有用的算法模型，它所具備的最大的特點就是可以對信息內部的一些具體的信息節點進行分析與處理，然后得到有用的信息。然后通過得到的數據信息來達到對圖像的處理目的。而人工神經網絡最大的優點就是它是具有自身組織的、可以自主進行學習、自主進行推理演算、自身適應環境等。

人工神經網絡在圖像處理方面的應用主要如下：

數據歸類劃分，使用多層神經網絡可以完美的對數據進行劃分，對標有標簽的指定類別數據點進行曲線劃分。區別于回歸分析，邏輯回歸，K-means劃分，多層神經網絡可用連續曲線對目標數據進行分區。

圖像處理中的圖像壓縮也要用到人工神經網絡，在設置節點時，設置比較多的節點的是圖像的輸出層和圖像的輸入層，設置比較少的節點的是圖像的傳輸層。在圖像處理的過程中有些非常重要的作用，使用人工智能算法不僅可以完成存儲和傳輸功能，而且可以在很大程度上節省許多的存儲空間。

2.2卷積神經網絡

圖像在計算機中的存儲形式可簡化為矩陣形式，圖像處理基礎即對圖像的操作，可以寫成矩陣形式。

在2維卷積中，首先引進濾波器矩陣（或者被稱為“核”/“Kernel”），濾波器矩陣可修改或通過過濾增強圖像。過濾原圖像以強調某些功能或刪除其他功能，或過濾包括平滑，銳化和邊緣增強，離散卷積可以視為矩陣的逐元素乘法。通過濾波矩陣的處理后，圖像僅保留了部分特征，而去掉了大部分其他特征。通過對濾波矩陣的選取可以有目的性的提取圖像內圖形的指定特征。

同理，若把濾波器變為目的圖像或指定特征，對濾波器進行人工智能訓練，即可對圖像進行特征識別或定位。對于定位而言，濾波器層被訓練為在每個空間位置和尺度上預測邊界框的回歸網絡代替，然后將回歸預測與每個位置的分類結果相結合。多尺度訓練可確保預測在尺度上正確匹配，并以指數方式增加合并預測的置信度。邊界框根據其中心之間的距離及其區域的交點進行組合，最后通過采用具有最大類分數的合并邊界框進行最終預測。檢測訓練類似于分類訓練，但是當沒有目標存在時，還需要預測后臺任務。傳統上，反例最初被隨機地用于訓練，然后將最有爭議的負誤差添加到訓練集中，通過選擇每個圖像的一些有趣的反例（例如隨機的或最有爭議的），對蒼蠅進行消極訓練，這種方法在計算上更昂貴，但使得程序更簡單。

在特征鑒別中，通過訓練完成的濾波器矩陣，我們對整個原圖進行一次卷積，得到的結果中，在那個特定曲線和周邊區域，值就很高，在其他區域，值相對低。這就是一張激活圖。對應的高值區域就是我們所要檢測曲線的位置。在訓練卷積神經網絡（CNN）的某一個卷積層時，我們實際上是在訓練一系列的濾波器（或Kernel）。比如對于一個28*28的圖像，如果我們在CNN的第一個卷積層定義訓練n個濾波器，那就這一層的輸出便是28*28*n.按照不同的任務，我們可以對這個輸出做進一步的處理，這包括激活函數，池化，全連接等。

結語

綜上所述，隨著人們對人工智能的不斷研究，越來越多的智能算法不斷興起，而當前多層神經網絡算法在圖像處理中應用主要為深度學習中的卷積神經算法通過對中間層濾波器的訓練使其達到使損失函數最小化的目的，進而實現對圖像的識別、檢測、定位等功能。其能夠在圖像處理中發揮較大的作用，但是由于人們對以上算法的不了解，所以應用水平較低，基于此，在以后的生產生活中應大力推廣人工智能算法的應用，不斷提高人們的工作效率，促進社會生產的進步。

參考文獻：

[1]王玉娟，張海，王先國，潘志宏.人工智能算法在圖像處理中的應用[J].電腦知識與技術，2018，14（19）：208-209+212.

[2]陳軻.基于人工智能算法的圖像識別與生成[J].電腦知識與技術，2018，14（13）：173-175.

[3]王弈，李傳富.人工智能方法在醫學圖像處理中的研究新進展[J].中國醫學物理學雜志，2017，30（3）：4138-4143.

[4]葛動元.面向精密制造與檢測的機器視覺及智能算法研究[D].廣州：華南理工大學，2017.

作者簡介：

趙唯辰 男，漢族，籍貫吉林省長春市，哈爾濱工業大學機械設計制造及其自動化專業學士學位。大陸集團 研發工程師，研究方向人工智能。

（作者單位：1大陸集團；2哈爾濱工業大學；

3清華伯克利深圳學院）