機(jī)器學(xué)習(xí)在圖像處理中的應(yīng)用與設(shè)計(jì)

吳凱 武昌工學(xué)院

1 引言

圖像處理是指利用計(jì)算機(jī)技術(shù)對圖像進(jìn)行分析，以便能夠達(dá)到人們期望的結(jié)果，比如美顏相機(jī)需要針對人們的照片進(jìn)行增強(qiáng)，就可以利用圖像處理技術(shù)，識別面部的不和諧之處，將圖像的光照顏色增強(qiáng)，同時還可以處理面部狀態(tài)進(jìn)行美妝。目前，圖像處理通常應(yīng)用的方法包括六個，分別是圖像變換方法、圖像壓縮與編碼方法、圖像增強(qiáng)與復(fù)原方法、圖像分割方法、圖像描述與分類方法。圖像變換可以直接在空間域中進(jìn)行處理，實(shí)現(xiàn)局部特效；圖像編碼壓縮可以改變圖像的大小，節(jié)省圖像傳輸時間。圖像增強(qiáng)和復(fù)原可以提高圖像的質(zhì)量，去除圖像中的噪聲數(shù)據(jù)，比如可以促使圖像中的目標(biāo)物體輪廓更加清晰。圖像分割可以將人們期望的內(nèi)容從圖像中提取出來，也是進(jìn)行圖像深度處理的基礎(chǔ)。圖像描述是圖像識別和理解的前提條件，可以實(shí)現(xiàn)圖像的體積描述、表面描述或廣義圓柱體描述。圖像分類也即是圖像識別，利用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)圖像分割和特征提取，應(yīng)用范圍更加廣泛。

2 機(jī)器學(xué)習(xí)技術(shù)

機(jī)器學(xué)習(xí)技術(shù)經(jīng)過多年的研究已經(jīng)誕生了很多，最為先進(jìn)和主流的技術(shù)包括回歸分析、Apriori算法、卷積神經(jīng)網(wǎng)絡(luò)和K-means算法。

(1）回歸分析

回歸分析能夠有效的反映數(shù)據(jù)庫中的屬性值在時間特征產(chǎn)生的信息?；貧w分析可以將相關(guān)的數(shù)據(jù)項(xiàng)映射到函數(shù)上，這個函數(shù)是一個關(guān)于實(shí)值預(yù)測變量的，能夠發(fā)現(xiàn)變量或?qū)傩灾g的相互依賴關(guān)系，進(jìn)一步發(fā)現(xiàn)數(shù)據(jù)的趨勢特征，預(yù)測數(shù)據(jù)的時間序列，發(fā)現(xiàn)數(shù)據(jù)之間的特征關(guān)系內(nèi)容，更好的實(shí)現(xiàn)數(shù)據(jù)分析與操作，保證產(chǎn)品的生命周期穩(wěn)定。

(2）Apriori算法

Apriori算法可以描述數(shù)據(jù)集中每一個數(shù)據(jù)項(xiàng)之間的關(guān)系，也即是如果某一個事件發(fā)生可能會引起其他事件一同發(fā)生，這種關(guān)系隱藏在數(shù)據(jù)中。經(jīng)過多年的研究，Apriori算法已經(jīng)得到了極大的改進(jìn)，引入了許多先進(jìn)的技術(shù)，比如遺傳算法、梯度算子、模擬退火等，提高了關(guān)聯(lián)規(guī)則發(fā)現(xiàn)的準(zhǔn)確度和高效率，具有重要的作用和意義。

(3）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種多層次的前饋型人工神經(jīng)網(wǎng)絡(luò)，包括兩個關(guān)鍵卷積層，分別是特征提取層和特征映射層，這兩個層次的出現(xiàn)使得卷積神經(jīng)網(wǎng)絡(luò)特別適用于圖像處理。特征提取層能夠與輸入神經(jīng)元進(jìn)行有效連接，獲取輸入數(shù)據(jù)信息，從而可以提取一些圖像特征，并且確定圖像特征在圖像中的相對位置。特征映射層可以將提取的特征映射到一個平面上，在這個平面上每一個神經(jīng)元都可以賦予相同的權(quán)值，經(jīng)過訓(xùn)練和學(xué)習(xí)之后，卷積神經(jīng)網(wǎng)絡(luò)就可以得到一個良好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以更好的應(yīng)用于圖像處理。卷積神經(jīng)網(wǎng)絡(luò)作為分類方法的一個重要算法，其可以描述更高階的抽象復(fù)雜函數(shù)，該函數(shù)可以更加準(zhǔn)確的識別語音、提取關(guān)鍵特征、理解語音內(nèi)容等，進(jìn)一步的準(zhǔn)確發(fā)現(xiàn)人工智能的相關(guān)任務(wù)，可以更好地發(fā)現(xiàn)深度學(xué)習(xí)的觀測值。

(4）K-means算法

K-means算法不需要已知數(shù)據(jù)的類別，他可以采用無監(jiān)督的學(xué)習(xí)方式，自動的發(fā)現(xiàn)數(shù)據(jù)集中潛在的類別信息，針對這些信息進(jìn)行分類操作，確保數(shù)據(jù)不同類別的相似性盡可能的小，同一類別中的數(shù)據(jù)相似度保持較高。K-means算法由于具有簡單性、無監(jiān)督性，已經(jīng)在很多領(lǐng)域得到廣泛應(yīng)用，比如搜索引擎、基因序列識別、推薦系統(tǒng)等。

3 圖像處理中機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用設(shè)計(jì)

本文為了能夠更加詳細(xì)地說明機(jī)器學(xué)習(xí)技術(shù)在圖像處理中的應(yīng)用，以車牌圖像中的字符識別為案例，引入卷積神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行設(shè)計(jì)，具體的圖像處理步驟如下所述：

(1）生成車牌數(shù)據(jù)集。本文與公安交通管理部門進(jìn)行協(xié)商和溝通，采集了將近兩萬張車牌，這些車牌數(shù)據(jù)全部是交通監(jiān)控視頻拍攝的實(shí)際數(shù)據(jù)，噪聲數(shù)據(jù)種類繁多且豐富，比如不同角度的光照、不同遮擋程度的照片、不同傾斜角度等，這些車牌數(shù)據(jù)經(jīng)過歸一化處理后，統(tǒng)一使用垂直投影法進(jìn)行有效切割，刪除車牌上的漢字或者字母，僅僅獲取十個阿拉伯?dāng)?shù)字的個數(shù)。

(2）卷積神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)。本文利用卷積神經(jīng)網(wǎng)絡(luò)針對0-9阿拉伯?dāng)?shù)字字符進(jìn)行標(biāo)記，生成一個包含了一萬張突破的訓(xùn)練數(shù)據(jù)集和包含一萬張圖片的測試數(shù)據(jù)集，然后使用二值化方法針對圖片進(jìn)行灰度預(yù)處理，將圖片的大小統(tǒng)一設(shè)置為28×28像素，然后將像素保存到數(shù)據(jù)集中，以便能夠輸入訓(xùn)練和測試。

(3）卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)和測試。本文的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練測試時使用ReLU激活函數(shù)，這個函數(shù)可以有效的加快神經(jīng)網(wǎng)絡(luò)收斂速度，還可以有效的減少神經(jīng)網(wǎng)絡(luò)設(shè)置參數(shù)。該網(wǎng)絡(luò)包括三個卷積層、兩個全連接層、一個池化層。卷積層1的20個4×4的卷積核與輸入圖像進(jìn)行卷積，卷積步長設(shè)置為2，可以得到20個13×13的特征圖；卷積層2設(shè)置每一個卷積核大小為3×3，卷積步長設(shè)置為2，經(jīng)過卷積訓(xùn)練后得到50個6×6的特征圖；卷積層3設(shè)置每一個卷積核的大小為3×3，卷積步長設(shè)置為1，卷積后可以生成60個4×4的特征圖；池化層的步長可以設(shè)置為2，這樣訓(xùn)練完成之后就可以獲取80個2×2的特征圖；全連接層1擁有100個神經(jīng)元，全連接層2擁有10個神經(jīng)元，三個卷積層、池化層1和全連接層1的相關(guān)激活函數(shù)設(shè)置為ReLU函數(shù)，同時全連接層2的相關(guān)激活函數(shù)可以設(shè)置為sigmoid激活函數(shù)。卷積神經(jīng)網(wǎng)絡(luò)設(shè)置完畢之后就可以進(jìn)行訓(xùn)練學(xué)習(xí)，精確度穩(wěn)定和收斂之后就可以進(jìn)行測試，本文進(jìn)行測試之后，圖像處理的精確度達(dá)到了98.2%，能夠準(zhǔn)確的識別車牌字符，具有一定的作用。

4 結(jié)束語

圖像處理作為當(dāng)前人工智能應(yīng)用的基礎(chǔ)技術(shù)之一，其可以有效的提升視頻圖像目標(biāo)物體處理的精準(zhǔn)程度，具有重要的作用。機(jī)器學(xué)習(xí)又是圖像處理的關(guān)鍵技術(shù)，已經(jīng)得到了很多人的研究，目前在中科院計(jì)算機(jī)所、浙江大學(xué)CAD&CG實(shí)驗(yàn)室等都提出了很多的新技術(shù)，大大的提高了圖像特征提取的速度，還提高了圖像處理的魯棒性。