機器學習在計算機視覺處理中的應用策略

王鐵勝

摘要：在當今社會的經濟發展中，伴隨著機器學習算法的應用與發展，以此為基礎的計算機視覺處理技術也開始成為了人工智能領域中的一種關鍵技術形式。將機器學習算法合理應用到計算機視覺處理中，便可讓計算機視覺處理更加貼合于人類的思維方式，以此來滿足實際的視覺處理需求。為實現機器學習算法在計算機視覺處理中的良好應用，該文特對其應用進行分析，并通過實際的應用案例來分析其應用策略。

關鍵詞：計算機? ?視覺處理? ?機器學習? ?應用策略

中圖分類號：TP391? ? ? ?文獻標識碼：A

Abstract： In the economic development of today's society， along with the application and development of machine learning algorithms， computer vision processing technology based on this has also begun to become a key form of technology in the field of artificial intelligence. The reasonable application of machine learning algorithms to computer vision processing can make computer vision processing more suitable for human thinking， so as to meet actual vision processing needs. In order to realize the good application of machine learning algorithm in computer vision processing， this article analyzes its application and analyzes its application strategy through actual application cases.

Key Words： Computer; Vision processing; Machine learning; Application strategy

所謂計算機視覺處理，就是以計算機算法為基礎的圖像內容自動識別技術，這一技術起源于20世紀60年代左右，是人工智能與認知神經學的結合產物。在當今，隨著社會的發展與科技的進步，圖像識別技術也得到了良好發展。尤其是自機器學習技術應用以來，計算機視覺處理技術的應用及其發展更是上升到了一個全新的高度。因此，在計算機視覺處理技術的具體應用中，技術人員一定要注重機器學習算法的科學應用，以此來達到良好的視覺處理效果。

1 計算機視覺處理中機械學習的主要應用

1.1圖像檢測技術的應用

所謂圖像檢測技術，就是在進行圖像分類過程中，通過矩形框將檢測對象包圍起來。自2014年以來，很多機器學習框架都開始被應用到了計算機視覺處理中的圖像檢測中，比如R-CNN框架、Fast R -CNN 框架、Faster R-CNN框架、YOLO框架以及SSD框架等[1]。在上述機器學習圖像檢測框架中，YOLO框架具有最高的檢測速度，經實踐研究發現，其檢測速度可以達到155幀/s，但是其檢測精度卻最低，只有52.7;Faster R-CNN框架雖然具有最高的檢測精度，但是其檢測速度非常慢。相比較其他檢測框架而言，SSD框架在檢測精度和檢測速度方面都更具優勢。因此在具體的計算機視覺處理中，可將SSD框架作為其圖像檢測框架。

1.2隨機森林分類模型的應用

在對照片進行處理的過程中，計算機可借助于相應的算法對語義圖形進行分割，同時也會對其中的各種主要元素進行合理區分。為達到這一目標，就需要一個足夠強大的構建塊，也就是通過訓練分類器來實現各種分類圖像中像素分布情況的預測。這一任務就使得機器學習在計算方面面臨著很多問題，尤其是在像素量很大的計算機中，其圖像分類任務甚至需要一百萬次以上的培訓與測試[2]。針對這樣的情況，就需要借助于機器學習算法中的隨機森林分類模型來實現。具體應用中，可按照隨機的方式來進行像素森林構造，在完成了森林構造之后，每當輸入一個新的樣本，森林中的各個決策樹便會分別對其進行判斷;在明確新樣本所述類別之后，便可對其應用的樣本進行科學預測。借助于這一技術，可在不需要特征選擇的情況下實現高維數據的大量處理，進而達到良好的降維效果。在完成了訓練之后，該模型便可準確判斷出各種類型中的重要像素。另外，該模型也具有很快的訓練速度，且能夠在訓練過程中實現各種特征之間的影響作用檢測。

1.3仿生學方法和工程方法的應用

在計算機視覺處理技術的應用中，機器學習算法的主要作用是對人類的學習行為進行模擬，以此來實現新知識和新技能的獲取，然后對已有的知識結構重新進行總結，進而實現計算機視覺處理績效的不斷提升。在機器學習和計算機視覺的結合中，人工智能是其核心部分，同時也是實現計算機視覺處理智能化的一個根本途徑。具體結合中，為了讓計算機視覺處理的各項功能得以良好實現，可將機器學習中的仿生學方法以及工程方法應用其中。通過仿生學方法的應用，可實現人類視覺系統和人類學習能力的良好模擬。但是因為人類視覺系統不能直接測量某一個輸入的輸出，加之人類的視覺系統屬于多種功能系統的組合，即使是在獲得到了輸入和輸出對的情況下，也難以確定其視覺刺激僅僅是對當前的輸入所產生的響應[3]。而通過工程方法的應用，便可讓計算機視覺系統可以及時對當前的輸出做出相應的刺激響應，以此來達到良好的視覺處理效果。

2 計算機視覺處理中的機器學習應用策略分析

為實現機器學習算法在計算機視覺處理中的良好應用，該文特以某藝術風格遷移網站為例，對計算機視覺處理中的機器學習算法應用策略進行分析。在該網站中，主要的視覺處理目的是將給定的內容按照特定的某種圖像風格進行轉化，進而形成特定風格形式的混合圖像。在通過多次的網絡運算之后，可以讓給定的圖像完全轉變成特定的某種圖像風格，達到人眼難以分辨的效果。以下是對這一過程的具體實現所進行的分析。

2.1藝術風格遷移與機器學習算法引入

所謂藝術風格遷移，就是從一幅既有的圖像中進行風格提取，比如在梵高的《夜空》中進行風格提取，再將另一幅其他內容、其他風格的圖像導入，比如一個城市的建筑群;然后讓系統按照《夜空》的風格再畫一遍城市建筑群[4]。雖然人類都能夠輕松識別圖像中的風格特征，但是對于計算機而言，如何將一個圖像的風格轉換成另一個圖像的風格是一個相等復雜抽象的問題。傳統的圖像藝術風格遷移方法在視覺效果上難以達到符合實際應用的要求。為達到這一效果，在通過計算機進行視覺處理的過程中，便可引入機器學習算法。而在該藝術遷移網站中，便將VGG19機器學習算法引入進來。

2.2圖像內容的定義

在將一幅圖像P導入到VGG（卷積層）機器學習網絡之后，會在網絡第一層獲得到一系列的向量，并在后續的每個網絡層中獲得中間向量，其中的各個像素都是由紅綠藍這三個值組成，代表著圖像特征。因為VGG19屬于一個完成了一系列模擬人類視覺系統訓練的機器學習網絡，其中的參數已經被確定，因此通過參數計算所獲得到的中間向量便可用來代表這個圖像。在這樣的情況下，就可以對某一個卷積層內的featuer map（特征圖）定義為這個圖像的內容[5]。

2.3內容重構

在給定了一幅圖片和完成模擬人類視覺系統訓練的VGG19之后，便可在每一個卷積層內實現若干個feature map的獲取，每一層的濾波器個數將會對feature map的獲取個數起到決定性作用。對每一個feature map做向量化處理，便可獲得到大小一定的向量，在相應的矩陣中對每一層內的向量進行存儲，其中的元素所表示的是在第I層中第i個濾波器j位置處的激活響應[6]。如果指定了某一層I具體特征，希望可以生成一幅新的圖片X，讓這幅新的圖片在保留原來內容的基礎上具備I的特征，便可按照以下公式對其損失函數Lcontent進行定義：

這里的“內容”指的是某個卷積層內的全部feature map，將其與同一卷積層內新圖像中的全部feature map比較，然后做平方差求和處理。但是在具體的計算機視覺處理中，也可以將某一層中的一個feature map用作圖像內容，但是相比較將所有feature map用作內容而言，其計算量會減少，模擬人類視覺系統訓練速度會更快，但是精準度也會降低，內容保真度也無法保障。

2.4圖像風格的定義

相比較圖像內容的定義而言，圖像風格的定義具有更高的難度。風格定義中，并不可隨意將某一層內的某一個feature map選作風格層，而是需要將一層內的全部feature map拿來兩兩作內積，然后求出一個Gram矩陣，其中主要包括圖片顏色信息以及紋理信息，該矩陣也就是圖像的風格。以下是圖像風格的定義公式：

式中，所代表的是第I層內feature map中的i與j的內積，k所代表的是feature map內與之對應的元素，在某一層內，feature map中的i與j的內積所代表的啟示就是這個Gram矩陣內第i行第j列上的元素值[7]。在這樣的情況下，每一層中的風格損失函數可按照以下公式來進行定義：

式中，所代表的是這一層中的feature map總數，所代表的是各個feature map的具體尺寸。該定義僅僅是針對某一層進行的風格定義，在具體的計算機視覺處理中，為達到更好的處理效果，就需要對其中的每一個卷積層進行風格定義，以此來實現其風格損失函數的科學計算。以下是經機器學習算法進一步運算得出的風格損失函數：

式中， 所代表的是各個層中對應風格的權重，處理中，其具體數值應按照實際情況來確定，也可以將每一層中的數值設置為相等的數值，使其最終的和等于1。

根據上述計算，便可進一步定義出最終的損失函數：

式中，所代表的是各個層中對應的內容損失權重; 所代表的是各個層中的風格損失權重，兩者加和是1。如果需要在最終合成的圖形中突出內容，則可以為賦予更大的權值;如果需要在最終合成的圖像中突出風格，則可以為賦予更大的權值。

2.5合成圖像的生成

在導入了一幅風格圖像和一幅內容圖像之后，便可通過完成訓練的VGG機器學習網絡來進行內容和風格的提取，然后通過上述機器學習運算來實現最終的合成，進而達到良好的藝術風格遷移效果[8]。

3結語

綜上所述，在計算機視覺處理技術的具體應用中，機器學習算法具有非常好的應用優勢。早期計算機視覺問題的一種解決途徑是通過一些數學建模，數學分析的方法來做，但是隨著近幾年來機器學習領域的快速發展，計算機視覺結合機器學習開始得到研究人員更廣泛的關注，并實現計算機視覺領域了較大的飛躍。因此，技術人員一定要對機器學習算法加以深入研究，并根據實際情況、結合具體應用需求，使其在計算機視覺處理中得以合理應用。這樣才可以讓計算機視覺處理朝著更加智能化的方向發展。

參考文獻

[1] 劉迪，賈金露，趙玉卿等. 基于深度學習的圖像去噪方法研究綜述[J]. 計算機工程與應用， 2021， 57（7）：1-13.

[2] 楊弋鋆，邵文澤，王力謙，等.面向智能駕駛視覺感知的對抗樣本攻擊與防御方法綜述[J].南京信息工程大學學報，2019，11（6）：651-659.

[3] 賀輝，陳思佳，黃靜.一種改善光照對深度人臉識別影響的方法[J].計算機技術與發展，2019，29（4）：38-41.

[4] 徐泉新思科技全新嵌入式視覺處理器 為人工智能芯片提供領先性能[J].計算機與網絡，2019，45（21）：74.

[5] 王一丁，趙晨爽.優化視覺聚焦點的手背靜脈識別方法[J].計算機測量與控制，2019，27（7）：200-204.

[6] 李章維，胡安順，王曉飛.基于視覺的目標檢測方法綜述[J].計算機工程與應用， 2020，56（8）：1-9.

[7] 于淼淼，鄭元林，廖開陽，等.基于視覺感知高度相關的圖像質量評價[J].西安理工大學學報，2019，35（2）：224-233.

[8] 劉佳洛，姚奕，黃松，等. 機器學習圖像分類程序的蛻變測試框架[J].計算機工程與應用， 2020， 56（17）：69-77.