论文部分内容阅读
【摘 要】随着当前计算机专家们对人工智能算法的研究逐渐深入，在当下关于人工智能的应用已经非常的广泛，几乎覆盖不同领域的各行各业，尤其是在图像处理中，包括图像边缘检测、图像分割、图像识别、图像匹配、图像分类等工作。人们希望通过对人工智能算法的研究与开发，更好地完成包括图像处理在内的一系列繁杂的工作。本文研究人工智能算法中的多层神经网络算法在图像处理过程中的应用，并介绍深度学习中的卷积神经网络在图像识别、特征提取中的应用。
【关键词】人工智能；图像处理；多层神经网络；卷积神经网络
1人工智能的内涵
人工智能的出现是随着科学技术的发展而兴起的，来自美国的尼尔逊教授认为“人工智能是一门十分重要的学科，它是一门研究智能的学科，它可以将人类的意识无限的拓展”。温斯顿教授所提出的定义能够给我们在人工智能方面的研究提供依据，以便在研究过程中开发出更加人性化、智能化的技术来不断服务于人类，提高人类的工作效率和生活水平，不断促进社会经济的发展进程。
人工神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。在实际应用中可以通过调整内部大量节点之间相互连接的关系来达到处理信息的目的，信息在处理过程中能夠体现出较大的自组织性，因而人工神经网络具有自组织、自学习、自推理和自适应等优点。该项算法在图像处理中的应用中主要就是实现对图像的压缩操作，在实际应用中可以在图像输出层和输入层之间、中间传输层中分别设置较多和较少的节点，然后神经网络计算法会神经网络计算法，能够最大程度上节约储存的空间，同时还能够提高传输效率并实现图像在输出层的还原。
2人工神经网络算法在图像处理中的应用
2.1人工神经网络
神经网络算法是人类从动物身上所学到的一种非常有用的算法模型，它所具备的最大的特点就是可以对信息内部的一些具体的信息节点进行分析与处理，然后得到有用的信息。然后通过得到的数据信息来达到对图像的处理目的。而人工神经网络最大的优点就是它是具有自身组织的、可以自主进行学习、自主进行推理演算、自身适应环境等。
人工神经网络在图像处理方面的应用主要如下：
数据归类划分，使用多层神经网络可以完美的对数据进行划分，对标有标签的指定类别数据点进行曲线划分。区别于回归分析，逻辑回归，K-means划分，多层神经网络可用连续曲线对目标数据进行分区。
图像处理中的图像压缩也要用到人工神经网络，在设置节点时，设置比较多的节点的是图像的输出层和图像的输入层，设置比较少的节点的是图像的传输层。在图像处理的过程中有些非常重要的作用，使用人工智能算法不仅可以完成存储和传输功能，而且可以在很大程度上节省许多的存储空间。
2.2卷积神经网络
图像在计算机中的存储形式可简化为矩阵形式，图像处理基础即对图像的操作，可以写成矩阵形式。
在2维卷积中，首先引进滤波器矩阵（或者被称为“核”/“Kernel”），滤波器矩阵可修改或通过过滤增强图像。过滤原图像以强调某些功能或删除其他功能，或过滤包括平滑，锐化和边缘增强，离散卷积可以视为矩阵的逐元素乘法。通过滤波矩阵的处理后，图像仅保留了部分特征，而去掉了大部分其他特征。通过对滤波矩阵的选取可以有目的性的提取图像内图形的指定特征。
同理，若把滤波器变为目的图像或指定特征，对滤波器进行人工智能训练，即可对图像进行特征识别或定位。对于定位而言，滤波器层被训练为在每个空间位置和尺度上预测边界框的回归网络代替，然后将回归预测与每个位置的分类结果相结合。多尺度训练可确保预测在尺度上正确匹配，并以指数方式增加合并预测的置信度。边界框根据其中心之间的距离及其区域的交点进行组合，最后通过采用具有最大类分数的合并边界框进行最终预测。检测训练类似于分类训练，但是当没有目标存在时，还需要预测后台任务。传统上，反例最初被随机地用于训练，然后将最有争议的负误差添加到训练集中，通过选择每个图像的一些有趣的反例（例如随机的或最有争议的），对苍蝇进行消极训练，这种方法在计算上更昂贵，但使得程序更简单。
在特征鉴别中，通过训练完成的滤波器矩阵，我们对整个原图进行一次卷积，得到的结果中，在那个特定曲线和周边区域，值就很高，在其他区域，值相对低。这就是一张激活图。对应的高值区域就是我们所要检测曲线的位置。在训练卷积神经网络（CNN）的某一个卷积层时，我们实际上是在训练一系列的滤波器（或Kernel）。比如对于一个28*28的图像，如果我们在CNN的第一个卷积层定义训练n个滤波器，那就这一层的输出便是28*28*n.按照不同的任务，我们可以对这个输出做进一步的处理，这包括激活函数，池化，全连接等。
结语
综上所述，随着人们对人工智能的不断研究，越来越多的智能算法不断兴起，而当前多层神经网络算法在图像处理中应用主要为深度学习中的卷积神经算法通过对中间层滤波器的训练使其达到使损失函数最小化的目的，进而实现对图像的识别、检测、定位等功能。其能够在图像处理中发挥较大的作用，但是由于人们对以上算法的不了解，所以应用水平较低，基于此，在以后的生产生活中应大力推广人工智能算法的应用，不断提高人们的工作效率，促进社会生产的进步。
参考文献：
[1]王玉娟，张海，王先国，潘志宏.人工智能算法在图像处理中的应用[J].电脑知识与技术，2018，14（19）：208-209+212.
[2]陈轲.基于人工智能算法的图像识别与生成[J].电脑知识与技术，2018，14（13）：173-175.
[3]王弈，李传富.人工智能方法在医学图像处理中的研究新进展[J].中国医学物理学杂志，2017，30（3）：4138-4143.
[4]葛动元.面向精密制造与检测的机器视觉及智能算法研究[D].广州：华南理工大学，2017.
作者简介：
赵唯辰 男，汉族，籍贯吉林省长春市，哈尔滨工业大学机械设计制造及其自动化专业学士学位。大陆集团 研发工程师，研究方向人工智能。
（作者单位：1大陆集团；2哈尔滨工业大学；
3清华伯克利深圳学院）
【关键词】人工智能；图像处理；多层神经网络；卷积神经网络
1人工智能的内涵
人工智能的出现是随着科学技术的发展而兴起的，来自美国的尼尔逊教授认为“人工智能是一门十分重要的学科，它是一门研究智能的学科，它可以将人类的意识无限的拓展”。温斯顿教授所提出的定义能够给我们在人工智能方面的研究提供依据，以便在研究过程中开发出更加人性化、智能化的技术来不断服务于人类，提高人类的工作效率和生活水平，不断促进社会经济的发展进程。
人工神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。在实际应用中可以通过调整内部大量节点之间相互连接的关系来达到处理信息的目的，信息在处理过程中能夠体现出较大的自组织性，因而人工神经网络具有自组织、自学习、自推理和自适应等优点。该项算法在图像处理中的应用中主要就是实现对图像的压缩操作，在实际应用中可以在图像输出层和输入层之间、中间传输层中分别设置较多和较少的节点，然后神经网络计算法会神经网络计算法，能够最大程度上节约储存的空间，同时还能够提高传输效率并实现图像在输出层的还原。
2人工神经网络算法在图像处理中的应用
2.1人工神经网络
神经网络算法是人类从动物身上所学到的一种非常有用的算法模型，它所具备的最大的特点就是可以对信息内部的一些具体的信息节点进行分析与处理，然后得到有用的信息。然后通过得到的数据信息来达到对图像的处理目的。而人工神经网络最大的优点就是它是具有自身组织的、可以自主进行学习、自主进行推理演算、自身适应环境等。
人工神经网络在图像处理方面的应用主要如下：
数据归类划分，使用多层神经网络可以完美的对数据进行划分，对标有标签的指定类别数据点进行曲线划分。区别于回归分析，逻辑回归，K-means划分，多层神经网络可用连续曲线对目标数据进行分区。
图像处理中的图像压缩也要用到人工神经网络，在设置节点时，设置比较多的节点的是图像的输出层和图像的输入层，设置比较少的节点的是图像的传输层。在图像处理的过程中有些非常重要的作用，使用人工智能算法不仅可以完成存储和传输功能，而且可以在很大程度上节省许多的存储空间。
2.2卷积神经网络
图像在计算机中的存储形式可简化为矩阵形式，图像处理基础即对图像的操作，可以写成矩阵形式。
在2维卷积中，首先引进滤波器矩阵（或者被称为“核”/“Kernel”），滤波器矩阵可修改或通过过滤增强图像。过滤原图像以强调某些功能或删除其他功能，或过滤包括平滑，锐化和边缘增强，离散卷积可以视为矩阵的逐元素乘法。通过滤波矩阵的处理后，图像仅保留了部分特征，而去掉了大部分其他特征。通过对滤波矩阵的选取可以有目的性的提取图像内图形的指定特征。
同理，若把滤波器变为目的图像或指定特征，对滤波器进行人工智能训练，即可对图像进行特征识别或定位。对于定位而言，滤波器层被训练为在每个空间位置和尺度上预测边界框的回归网络代替，然后将回归预测与每个位置的分类结果相结合。多尺度训练可确保预测在尺度上正确匹配，并以指数方式增加合并预测的置信度。边界框根据其中心之间的距离及其区域的交点进行组合，最后通过采用具有最大类分数的合并边界框进行最终预测。检测训练类似于分类训练，但是当没有目标存在时，还需要预测后台任务。传统上，反例最初被随机地用于训练，然后将最有争议的负误差添加到训练集中，通过选择每个图像的一些有趣的反例（例如随机的或最有争议的），对苍蝇进行消极训练，这种方法在计算上更昂贵，但使得程序更简单。
在特征鉴别中，通过训练完成的滤波器矩阵，我们对整个原图进行一次卷积，得到的结果中，在那个特定曲线和周边区域，值就很高，在其他区域，值相对低。这就是一张激活图。对应的高值区域就是我们所要检测曲线的位置。在训练卷积神经网络（CNN）的某一个卷积层时，我们实际上是在训练一系列的滤波器（或Kernel）。比如对于一个28*28的图像，如果我们在CNN的第一个卷积层定义训练n个滤波器，那就这一层的输出便是28*28*n.按照不同的任务，我们可以对这个输出做进一步的处理，这包括激活函数，池化，全连接等。
结语
综上所述，随着人们对人工智能的不断研究，越来越多的智能算法不断兴起，而当前多层神经网络算法在图像处理中应用主要为深度学习中的卷积神经算法通过对中间层滤波器的训练使其达到使损失函数最小化的目的，进而实现对图像的识别、检测、定位等功能。其能够在图像处理中发挥较大的作用，但是由于人们对以上算法的不了解，所以应用水平较低，基于此，在以后的生产生活中应大力推广人工智能算法的应用，不断提高人们的工作效率，促进社会生产的进步。
参考文献：
[1]王玉娟，张海，王先国，潘志宏.人工智能算法在图像处理中的应用[J].电脑知识与技术，2018，14（19）：208-209+212.
[2]陈轲.基于人工智能算法的图像识别与生成[J].电脑知识与技术，2018，14（13）：173-175.
[3]王弈，李传富.人工智能方法在医学图像处理中的研究新进展[J].中国医学物理学杂志，2017，30（3）：4138-4143.
[4]葛动元.面向精密制造与检测的机器视觉及智能算法研究[D].广州：华南理工大学，2017.
作者简介：
赵唯辰 男，汉族，籍贯吉林省长春市，哈尔滨工业大学机械设计制造及其自动化专业学士学位。大陆集团 研发工程师，研究方向人工智能。
（作者单位：1大陆集团；2哈尔滨工业大学；
3清华伯克利深圳学院）