人工智能算法在圖像處理中的應(yīng)用分析

摘要：本文簡(jiǎn)要闡述人工智能及其本質(zhì)，并分析圖像處理領(lǐng)域使用智能算法的意義，著重探究在圖像處理系統(tǒng)中應(yīng)用的人工智能算法，包括人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、蟻群算法、模擬退火、粒子群算法五種。可供相關(guān)人士參考。

關(guān)鍵詞：人工智能算法;圖像處理;人工神經(jīng)網(wǎng)絡(luò);遺傳算法

引言

人工智能算法是通過對(duì)自然界中的某些行為及規(guī)律加以分析，并對(duì)其展開模擬，最終得出對(duì)多種類型問題的解算。近幾年，在圖像處理方面，此類計(jì)算方式得到較好的應(yīng)用，優(yōu)化了處理效果。

1 人工智能的實(shí)質(zhì)

借助現(xiàn)代科學(xué)信息技術(shù)，使機(jī)器能夠?qū)θ祟惖乃季S以及行為進(jìn)行模仿，實(shí)施此方面的開發(fā)研究旨在使人類的智慧融入到學(xué)術(shù)研究中，由此將人類的智慧借助機(jī)械得以拓展，并服務(wù)于人類。因而，人工智能和人類之間的差異在于其無法擁有獨(dú)立的感知，也無法進(jìn)行獨(dú)立思考，進(jìn)而不具備獨(dú)立分析并處理問題的能力。由此得出人工智能的實(shí)質(zhì)為具備類似人的機(jī)器。

2 智能算法的應(yīng)用價(jià)值

智能算法可以實(shí)現(xiàn)自我調(diào)節(jié)，以滿足所處的環(huán)境，具備較強(qiáng)的適應(yīng)能力。在實(shí)施計(jì)算期間，相關(guān)個(gè)體存在不確定性，個(gè)體需要結(jié)合從自身以及其他方面得到的經(jīng)驗(yàn)，在獲取最優(yōu)解期間實(shí)現(xiàn)數(shù)據(jù)共享，達(dá)到適應(yīng)環(huán)境的效果。面對(duì)相對(duì)復(fù)雜的情況時(shí)，無需了解全部過程，僅需設(shè)定具體的目標(biāo)函數(shù)，借助自適應(yīng)的行為，搜索最優(yōu)解。圖像處理的部分算法可理解成為明確具體的目標(biāo)函數(shù)，在既定圖像信息下的最優(yōu)解，屬于一項(xiàng)函數(shù)優(yōu)化。借助人工智能算法，可以在不改變圖像原本精度的前提下，縮減處理時(shí)長(zhǎng)，借助智能化的概念在短時(shí)間內(nèi)得到所需內(nèi)容。近幾年，部分智能算法已然應(yīng)用在圖像處理的多個(gè)環(huán)節(jié)中，取得較好的成績(jī)，由此展現(xiàn)出智能算法在圖像處理中使用的高效性、科學(xué)性等價(jià)值。

3 在圖像處理領(lǐng)域人工智能算法的應(yīng)用

3.1神經(jīng)網(wǎng)絡(luò)

此種智能算法便是模擬動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征形成的算法模型，主要特點(diǎn)在于能夠?qū)?shù)據(jù)內(nèi)容的部分節(jié)點(diǎn)加以分析處理，篩選出最具價(jià)值的數(shù)據(jù)，基于此對(duì)圖像進(jìn)行合理化的處理。該神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在其本身能夠?qū)崿F(xiàn)自主學(xué)習(xí)、獨(dú)立推理驗(yàn)算且具備較高的環(huán)境適應(yīng)性。對(duì)于圖像處理上的具體使用而言，在圖像壓縮處理中，設(shè)置具體的節(jié)點(diǎn)期間，各層級(jí)的節(jié)點(diǎn)數(shù)量不一，在圖像的輸出以及輸入兩個(gè)層級(jí)內(nèi)的節(jié)點(diǎn)相對(duì)較多，而數(shù)據(jù)傳輸層級(jí)的階段偏少，為保證數(shù)據(jù)處理的有效性及合理性，需要保證輸入以及輸出層級(jí)的節(jié)點(diǎn)數(shù)量。人工智能算法的使用能夠?yàn)閿?shù)據(jù)提供更多的儲(chǔ)存空間，且可直接進(jìn)行傳輸，因而，在圖像處理領(lǐng)域中，應(yīng)用智能算法能縮小圖像的占用空間，并提升相關(guān)行為的效率，能夠完整還原圖像信息。對(duì)于此方面的使用及研究，相關(guān)學(xué)者提出各自的見解，如借助多層BP網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)圖像的處理;借助此神經(jīng)網(wǎng)絡(luò)對(duì)圖像實(shí)施分割處理;而圖像的分類方式是利用PCA提取數(shù)據(jù)特征;分類染色體圖像也同樣借助神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。除此之外，神經(jīng)網(wǎng)絡(luò)的分辨識(shí)別率較高，能夠較為精準(zhǔn)地識(shí)別手寫的數(shù)字。

3.2遺傳算法

此智能算法是通過對(duì)生物進(jìn)化的客觀選擇以及遺傳學(xué)對(duì)進(jìn)化的闡述內(nèi)容加以模擬，屬于一項(xiàng)借助模仿自然進(jìn)化，得出最優(yōu)解的方式，其中體現(xiàn)出“物競(jìng)天擇，適者生存”的觀念，其優(yōu)勢(shì)在于可以直接對(duì)具體的數(shù)據(jù)進(jìn)行處理，不會(huì)受到既定目標(biāo)函數(shù)的限制，因而其具備較強(qiáng)的整合力及并行性。其整個(gè)計(jì)算過程大致是產(chǎn)生初始種群，對(duì)種群的適應(yīng)度加以估算，若結(jié)果未能達(dá)到期望值，則需進(jìn)行下一步的選擇、交叉后，再次對(duì)其適應(yīng)度加以計(jì)算，此次計(jì)算結(jié)果若仍未達(dá)到期望值，可判斷該種群變異，并繼續(xù)重復(fù)上述的環(huán)節(jié)。使用遺傳算法解決問題的過程包括以下幾個(gè)環(huán)節(jié)：

其一，編碼，按照求解空間形成專門的編碼空間，對(duì)應(yīng)此問題的各個(gè)候選解都需使用特定的符號(hào)加以標(biāo)記。

其二，初始化種群，在此環(huán)節(jié)中，則要在既定的限制環(huán)境中，對(duì)相應(yīng)的種群實(shí)施初始化，其經(jīng)過初始化的種群作為問題解內(nèi)的子空間，具有相對(duì)獨(dú)立性。

其三，根據(jù)問題需要設(shè)置適應(yīng)度函數(shù)，在完成種群內(nèi)各染色體的解碼后，要求解碼結(jié)果和既定適應(yīng)度函數(shù)保持相同的形式，最終結(jié)合之前的步驟計(jì)算具體的數(shù)值。

其四，選擇，根據(jù)適應(yīng)度的情況，以此為標(biāo)準(zhǔn)選擇個(gè)體，之后進(jìn)行繁殖，需要關(guān)注的是，適應(yīng)度與選擇概率呈同向變動(dòng)的關(guān)系。

其五，交叉，在既定的種群中隨意選用兩個(gè)個(gè)體，進(jìn)入繁殖程序，并交換所選個(gè)體的位置。

其六，變異，根據(jù)變異的概率對(duì)后者其中的某基因?qū)嵤┓D(zhuǎn)處理。

在整個(gè)遺傳算法的應(yīng)用過程中，從第四步開始，若其中某一環(huán)節(jié)未能達(dá)到計(jì)算標(biāo)準(zhǔn)，便需開始二次計(jì)算，循環(huán)往復(fù)，直至得到滿足既定性能指標(biāo)，或達(dá)到既定遺傳代數(shù)后，方可實(shí)施下一步的計(jì)算。該種智能算法適用于圖像分割處理，通常情況下，在從多項(xiàng)分割結(jié)果中獲取到最優(yōu)的方案和搜索分割算法內(nèi)的最優(yōu)參數(shù)等處理期間，便會(huì)選用遺傳算法。近幾年，GA在圖像分割處理方面相對(duì)成熟，具體而言，一方面在大量的分割結(jié)果中選出最優(yōu)的分割結(jié)果;另一方面，對(duì)具體的參數(shù)進(jìn)行搜索，以此得出最優(yōu)的分割閾值。通過誤差率看作特定的函數(shù)，以搜索出最優(yōu)值。另外，在GA中使用動(dòng)態(tài)分割系統(tǒng)，有助于提升其對(duì)客觀條件的適應(yīng)度。該算法可以在檢測(cè)圖像模糊度、噪聲圖像的處理、壓縮圖像、圖像匹配等環(huán)節(jié)中都能得到較好的結(jié)果。

3.3蟻群算法

該種智能算法是產(chǎn)生在上個(gè)世紀(jì)，其是對(duì)蟻群尋找食物的過程進(jìn)行模仿，通常單只螞蟻無法快速并準(zhǔn)確搜索到食物，但若是蟻群集體出動(dòng)，互相幫助，便可以得出既定食物最近的路線，因而該智能算法一般應(yīng)用在求取路線的問題上。其原理可被表述成：隨意選擇一定數(shù)量的螞蟻，之后每只螞蟻借助自身對(duì)所處環(huán)境的感知和信息素對(duì)食物的位置加以判斷，與此同時(shí)將自身攜帶的信息素釋放，并且信息素濃度會(huì)不斷下降，其他螞蟻則對(duì)獲取的信息素濃度情況判斷是否按照前者的路線行進(jìn)。由此，搜尋食物的蟻群規(guī)模不斷過大，環(huán)境中的信息素濃度便會(huì)隨之提升，后續(xù)的螞蟻跟隨濃度相對(duì)更大的方向前進(jìn)，通過此種方式，最終獲得最佳路線。部分較為復(fù)雜的組合問題解答，應(yīng)用蟻群算法，可以得到較好的結(jié)果，例如二次分配等此類問題。近年來，對(duì)此智能算法的研究及應(yīng)用具體表現(xiàn)為：以模糊聚類及蟻群為基礎(chǔ)，實(shí)現(xiàn)對(duì)圖像的分割處理，利用引導(dǎo)函數(shù)以及初始聚類，有效提升分割處理的效率;根據(jù)蟻群算法，提出均值聚類的分割方式。另外，在應(yīng)用方面，將此種智能算法使用在動(dòng)態(tài)的模糊聚類中，由此得到對(duì)圖像數(shù)據(jù)邊緣的測(cè)量方式，而CT邊緣檢測(cè)形式也是由蟻群算法而來。除上述的研究及應(yīng)用外，還有借助分類蟻群實(shí)現(xiàn)自動(dòng)分類;將此項(xiàng)算法與小波理論融合起來，能夠處理紋理圖像;此算法與上述的遺傳算法聯(lián)合使用，可以在醫(yī)學(xué)領(lǐng)域大展拳腳，提高圖像的比配精確度以及效率;此項(xiàng)智能算法與支持向量機(jī)相融合，能夠應(yīng)用于通過人臉對(duì)性別的辨識(shí)，且準(zhǔn)確度較高;結(jié)合圖像的紋理特點(diǎn)，通過蟻群算法實(shí)現(xiàn)對(duì)硬幣的辨識(shí);基于此種智能計(jì)算方式，實(shí)現(xiàn)對(duì)圖形的分類;若想蟻群算法使用在圖像檢索環(huán)節(jié)中，同樣可以實(shí)現(xiàn)聚類分析;多模塊圖像的結(jié)合處理也有此類智能算法的身影。

3.4退火算法

模擬退火是一項(xiàng)借助隨機(jī)方式對(duì)最優(yōu)解加以探究的方式，此項(xiàng)計(jì)算方式是以迭代策略為前提，結(jié)合物理領(lǐng)域中的固體退火內(nèi)容。在加熱過程中，當(dāng)固體的溫度達(dá)到一定值后，對(duì)其實(shí)施冷卻處理，加溫期間，被加熱的固體內(nèi)部的粒子溫度也會(huì)隨之提升，在此期間，固體中包含的粒子會(huì)表現(xiàn)出無序的狀況，同時(shí)其內(nèi)能也會(huì)有所強(qiáng)化，而在冷卻過程中，固體內(nèi)的粒子會(huì)由原本的無序逐漸轉(zhuǎn)變?yōu)橛行虻臓顟B(tài)，并且在溫度下降至某平衡值時(shí)，便會(huì)形成穩(wěn)定基態(tài)，相應(yīng)的內(nèi)能也達(dá)到最小值。該種算法的應(yīng)用可以達(dá)到對(duì)整體的優(yōu)化處理，通常在工程項(xiàng)目中的應(yīng)用較多，主要原理包括，對(duì)選定的固體實(shí)施加熱處理，確保其初始溫度達(dá)到極大值，之后便可對(duì)其開展降溫處理，在加熱期間，需嚴(yán)格把控既定的溫度，確保其處于相對(duì)恒定的狀態(tài)，不可出現(xiàn)明顯的溫度浮動(dòng)，由此為實(shí)驗(yàn)研究提供基礎(chǔ)保障，切實(shí)強(qiáng)化對(duì)圖像的處理效果及質(zhì)量。實(shí)際的研究應(yīng)用包括：借助SA，實(shí)現(xiàn)合理調(diào)整圖片排版;使用SA閾值選取方式，在圖像分割處理中的有效應(yīng)用，可以提升處理的速度;圖像中包含的漢字內(nèi)容，也可以利用此算法加以識(shí)別，并得到較好的結(jié)果;將此項(xiàng)算法和上述遺傳算法有效融合，可應(yīng)用于地圖處理中，能夠?qū)崿F(xiàn)自動(dòng)著色;此項(xiàng)技術(shù)與下面即將要闡述的計(jì)算方式：粒子群算法，也可以相互融合應(yīng)用在圖像處理系統(tǒng)中。

3.5粒子群優(yōu)化

該種算法屬于一項(xiàng)進(jìn)化計(jì)算方式，靈感來源于鳥群的捕食，基于對(duì)鳥類群體行動(dòng)的分析，借助其中某個(gè)體在群體內(nèi)實(shí)現(xiàn)信息共享，引導(dǎo)全體的運(yùn)動(dòng)，在求解空間內(nèi)形成由無序至有序的轉(zhuǎn)化，由此解出最優(yōu)解，其和上述遺傳算法有相似之處，同屬于迭代優(yōu)化的范疇。計(jì)算初始化中為隨機(jī)解，經(jīng)過迭代處理找出其中的最優(yōu)值。需要注意的是，該種計(jì)算方式與遺傳算法最大的差異在于其無交叉與變異環(huán)節(jié)，此過程中是粒子在特定空間內(nèi)跟隨最佳粒子完成搜索。和遺傳算法相比，其環(huán)節(jié)較少，更為簡(jiǎn)單，無需對(duì)大量的參數(shù)進(jìn)行調(diào)整，由此，該項(xiàng)計(jì)算方式，主要應(yīng)用在函數(shù)、模糊控制等方面。具體的研究應(yīng)用包括：對(duì)于圖像邊緣的檢測(cè)，借助合理調(diào)整梯度算子，獲取邊緣的最優(yōu)值，在實(shí)際圖像處理中，可以避免出現(xiàn)具有價(jià)值的邊緣丟失;借助最大類間方差的方式實(shí)現(xiàn)對(duì)圖像的分割，切實(shí)強(qiáng)化分割處理的質(zhì)量;以量子行為為基礎(chǔ)，將此項(xiàng)計(jì)算方式應(yīng)用在壓縮處理上，最中呈現(xiàn)的壓縮質(zhì)量好于上述的遺傳算法;對(duì)此項(xiàng)計(jì)算方法加以優(yōu)化，在圖像檢索中得到合理應(yīng)用。

4 結(jié)束語

目前，在人工智能算法方面的研究及應(yīng)用尚未成熟，需要在實(shí)踐及長(zhǎng)期研究過程中加以完善。希望在不遠(yuǎn)的將來，可以出現(xiàn)更多的智能算法，并切實(shí)得到良好應(yīng)用。

參考文獻(xiàn)

[1]高毅，穆治亞，張群興，等.基于人工智能的足跡識(shí)別與特征提取[J].電訊技術(shù)，2020，60（07）：739-745.

[2]李桃.智能算法及其在圖像處理中的應(yīng)用[D].西華師范大學(xué)，2019.

[3]王玉娟，張海，王先國(guó)，等.人工智能算法在圖像處理中的應(yīng)用[J].電腦知識(shí)與技術(shù)，2018，14（19）：208-209+212.

[4]張薇.人工智能算法在圖像處理中的應(yīng)用[J].通訊世界，2018（04）：63-64.

作者簡(jiǎn)介

王佳，1987年1月，女，河南省周口市西華縣，研究生學(xué)歷，河南牧業(yè)經(jīng)濟(jì)學(xué)院信息工程學(xué)院，助教，人工智能、信息化教育。