基于深度學(xué)習(xí)的圖像處理技術(shù)

李勝旺　韓倩

摘要：隨著信息時代的不斷發(fā)展，深度學(xué)習(xí)已經(jīng)貫穿計算機各個領(lǐng)域，如人工智能、圖像識別、文字識別等領(lǐng)域的不斷優(yōu)化不斷發(fā)展都跟深度學(xué)習(xí)有聯(lián)系。事實證明，深度學(xué)習(xí)已經(jīng)成為促進各個領(lǐng)域不斷向前進步的必然趨勢。因此，本文就對深度學(xué)習(xí)以及在圖像處理上面的研究和應(yīng)用做一個簡要的了解，首先學(xué)習(xí)圖像處理和深度學(xué)習(xí)技術(shù)的相關(guān)概念，然后闡述一下深度學(xué)習(xí)在圖像處理技術(shù)上的一些應(yīng)用，最后對深度學(xué)習(xí)在圖像處理領(lǐng)域的影響作用做一個總結(jié)。

關(guān)鍵詞：深度學(xué)習(xí)；圖像處理；圖像去噪；圖像分類；圖像增強

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2018）09-0065-02

人工智能的發(fā)展促進了現(xiàn)代化科技和智能化生活的發(fā)展，它最大的貢獻就是給人們生活和工作帶來了極大的方便。而深度學(xué)習(xí)作為機器學(xué)習(xí)領(lǐng)域的一部分，在人工智能發(fā)展方面起著至關(guān)重要的作用。為此，加大對深度學(xué)習(xí)的研究，將深度學(xué)習(xí)與其它領(lǐng)域有機的結(jié)合起來，為了人們的生活和社會的發(fā)展，去研發(fā)一些新產(chǎn)品和新技術(shù)，顯然是很必要的。

1 圖像處理與深度學(xué)習(xí)

1.1 圖像處理技術(shù)

圖像處理是將圖像信息轉(zhuǎn)化成數(shù)字信息為計算機所識別并進行相關(guān)數(shù)據(jù)處理的一門技術(shù)，計算機進行圖像處理包括圖像分類、壓縮、增強、編碼、特征提取等過程，為了保證圖像的清晰度和對有效信息的識別，圖像處理技術(shù)需要多方面技術(shù)的支持以提高圖像的分辨率和質(zhì)量。

圖像處理作為人工智能領(lǐng)域的一門交叉學(xué)科，它穿插在模式識別、機器視覺、多媒體技術(shù)等多個領(lǐng)域。隨著智能化時代的到來，有關(guān)圖像處理技術(shù)的成果也應(yīng)用在人們的生活之中，比如，車輛檢測、二維碼支付、指紋識別等技術(shù)的應(yīng)用，方便了生活的同時，也使得人們對圖像的質(zhì)量要求越來越高。

1.2 深度學(xué)習(xí)領(lǐng)域

深度學(xué)習(xí)本質(zhì)是模仿人腦的思考能力去分析解決問題的神經(jīng)網(wǎng)絡(luò)，運用深度學(xué)習(xí)可對文字、圖像和文本等進行信息提取和識別。深度學(xué)習(xí)的發(fā)展歸功于2006年一位來自加拿大的學(xué)者研究的人工神經(jīng)網(wǎng)絡(luò)模型，使得對信息處理的維度降低。至此，對深度學(xué)習(xí)的繼續(xù)研究成為了越來越多的學(xué)者追求的目標。各大科技企業(yè)也競相加入對深度學(xué)習(xí)的關(guān)注，如谷歌、Facebook等高科技企業(yè)。

深度學(xué)習(xí)貫穿計算機視覺領(lǐng)域的各個部分，用深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型模擬人腦工作的原理，在圖像識別領(lǐng)域取得了一些成果。

2 深度學(xué)習(xí)在圖像處理方面的應(yīng)用

2.1 深度學(xué)習(xí)在圖像去噪算法上的應(yīng)用

由于環(huán)境、人為等因素的影響，致使采集到的圖像在識別的時候并不能獲取有效的信息。這時候就需要將圖片進行一定的優(yōu)化，基于神經(jīng)網(wǎng)絡(luò)模型設(shè)計的圖像去噪算法已經(jīng)很好的實現(xiàn)了對高噪聲圖片進行有效的處理。其中，秦品樂等人研究出了一套利用深度學(xué)習(xí)模型進行圖像去噪處理的技術(shù)方案，該方案通過含噪聲圖像與原圖像之間的非線性映射，結(jié)合卷積子網(wǎng)收集的特征信息，將這些特征信息再進行恢復(fù)原圖像。實驗證明，該項技術(shù)方案運用卷積網(wǎng)絡(luò)進行圖像去噪處理獲得了一定的成就，提取了大量的紋理信息；對于低信噪比圖像的處理，王純等人提出了兩種算法，一種算法是基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對真實場景圖片進行的去噪處理，另外一種算法是通過最小二乘法構(gòu)建非局部加權(quán)的圖像去噪算法。實驗表明，兩種算法都有效的實現(xiàn)了對低信噪比圖片的有效去噪處理；相比低信噪比的研究技術(shù)，高信噪比的研究領(lǐng)域難度更大一些。吳祥威等在多層感知器的基礎(chǔ)上，通過深度學(xué)習(xí)技術(shù)對隱藏層部分的參數(shù)進行改進，實現(xiàn)了對多層感知器模型的優(yōu)化，研究出了一種高效的去噪能力的模型。實驗表明，使用線形整流函數(shù)對激活函數(shù)的改進能進一步提高圖像尤其是高斯噪聲下的圖像的去噪處理能力。

圖像去噪是圖像處理領(lǐng)域的一個重要研究方向，進行去噪的目的就是提高圖像識別信息的能力，是人類進行信息識別的必要條件。尤其是在醫(yī)療和安檢領(lǐng)域，如何獲取清晰的圖像是進行識別信息的前提。運用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)圖像的特征信息非常容易，近幾年在圖像去噪技術(shù)上獲得了比較好的成果。

2.2 深度學(xué)習(xí)在圖像分類算法上的應(yīng)用

圖像分類算法一般包括區(qū)域劃分、特征提取和分類器識別分類三個步驟，其中特征提取是關(guān)鍵的一步，有效的特征提取關(guān)系著對下一步分類的結(jié)果，結(jié)合深度學(xué)習(xí)進行圖像分類的算法設(shè)計能夠進一步提高特征提取的性能。林妙真等人針對人臉識別的多姿態(tài)變化問題提出一種基于深度網(wǎng)絡(luò)結(jié)構(gòu)的算法，實驗表明該算法在圖像分辨率和識別多姿態(tài)變化方面提高了一定的性能；基于深度學(xué)習(xí)對人臉識別技術(shù)的研究問題越來越受到業(yè)界人士的廣泛關(guān)注，陳瑞瑞等人運用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對人臉識別算法的改進，實現(xiàn)了對數(shù)據(jù)過擬合現(xiàn)象的有效抵制，實驗證明了深度學(xué)習(xí)的卷積網(wǎng)絡(luò)模型具有很好的圖像分類效果；王爽等人分別從單標記圖像和多標記圖像兩個方面研究深度學(xué)習(xí)在圖像分類算法上的應(yīng)用，運用PCA和LDA算法實現(xiàn)對單標記圖像特征進行降維處理，然后結(jié)合SVM和KNN分類器進行分類，從而通過降維處理優(yōu)化圖像分類的性能，通過最小hausdorff和平均hausdorff兩種不同度量距離的方法的對比，實現(xiàn)了多標記圖像復(fù)雜分類的特征提取。

基于深度神經(jīng)網(wǎng)絡(luò)進行圖像分類的研究成果越來越實用化。我國著名的搜索引擎百度應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)進行的圖像分類識別，它的精確度已經(jīng)達到了90%以上。百度引擎的廣泛應(yīng)用證明了基于深度學(xué)習(xí)的圖像分類算法是一個目前以及未來還會繼續(xù)研究的方向。

2.3 深度學(xué)習(xí)在圖像增強算法上的應(yīng)用

作為圖像處理的必須階段，圖像增強的結(jié)果能夠突出圖像中的特征區(qū)域，完善圖像的視覺效果，使得增強后的圖像能夠更好的為人類和機器進行識別。崔盼盼等將圖像超分辨率技術(shù)結(jié)合深度學(xué)習(xí)理論進行圖像增強處理，對卷積神經(jīng)網(wǎng)絡(luò)和快速卷積神經(jīng)網(wǎng)絡(luò)的超分辨率算法進行改進，使得處理后的圖像更加滿足人們的視覺要求，實驗表明，該算法的提出有效的增加了圖像重建的效果，對以后的圖像增強技術(shù)提供了一定的參考價值；丁雪妍等人運用卷積神經(jīng)網(wǎng)絡(luò)對圖像進行增強處理，采用白平衡方法有效的改善了對水下圖像顏色的修正問題、運用場景深度模型進行去模糊操作、超分辨率模型細化了圖像的分辨率，實驗證明了該項技術(shù)對水下圖像識別分辨率研究方面有了一定的提高；胡偉東等在氣象衛(wèi)星領(lǐng)域方面，首次運用SRCNN算法證明了MMSI高溫數(shù)據(jù)的有效性，但是由于深度學(xué)習(xí)需要大量的訓(xùn)練模型進行實驗，所以僅僅證明了算法的可行性。

隨著近幾年科研成果的不斷涌現(xiàn)，深度學(xué)習(xí)在圖像增強技術(shù)上面的應(yīng)用也越來越廣泛，為了增加圖像的視覺效果，不同的業(yè)界人士使用不同的算法進行模型訓(xùn)練，圖像增強技術(shù)的進步促進了圖像識別的研究和發(fā)展。

3 結(jié)語

如何選取圖像有效的特征信息影響著圖像識別的準確率和關(guān)系著圖像的分類結(jié)果，所以在圖像處理技術(shù)上面一定要提高專業(yè)性能，深度學(xué)習(xí)理論有效的學(xué)習(xí)了圖像的深層語義信息，使得圖像提取的特征具有很好的魯棒性，在保證圖像質(zhì)量和提高圖像識別的準確率的同時，很好的保持了圖像的完整性，使得圖像的有效信息不受損害。

參考文獻

[1]雷倩.基于深度學(xué)習(xí)的圖像超分辨率重構(gòu)[D].河北師范大學(xué)，2015.

[2]王恒歡.基于深度學(xué)習(xí)的圖像識別算法研究[D].北京郵電大學(xué)，2015.

[3]陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D].浙江工商大學(xué)，2014.

[4]李傳朋，秦品樂，張晉京.基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪研究[J].計算機工程，2017，43（3）：253-260.

[5]盧宏濤，張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2016，31（1）：1-17.

[6]吳洋威.基于深度學(xué)習(xí)的圖像去噪算法[D].上海交通大學(xué)，2015.

[7]林妙真.基于深度學(xué)習(xí)的人臉識別研究[D].大連理工大學(xué)，2013.

[8]杜騫.深度學(xué)習(xí)在圖像語義分類中的應(yīng)用[D].華中師范大學(xué)，2014.

[9]王爽.深度學(xué)習(xí)在圖像分類中的應(yīng)用研究[D].山東師范大學(xué)，2016.

[10]崔盼盼.基于深度學(xué)習(xí)的圖像超分辨率重建算法研究[D].山東科技大學(xué)，2017.

[11]孫飛飛.水下圖像增強和復(fù)原方法研究[D].中國海洋大學(xué)，2011.

[12]丁雪妍.基于卷積神經(jīng)網(wǎng)絡(luò)的水下圖像增強算法研究[D].大連海事大學(xué)，2017.

[13]沈庭芝，王衛(wèi)江，閆雪梅.數(shù)字圖像處理及模式識別[M].北京理工大學(xué)出版社，2007.

[14]賈永紅.計算機圖像處理與分析[M].武漢大學(xué)出版社，2001.

[15]林杰，李如意.基于深度學(xué)習(xí)的圖像識別處理[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2017（11）：65-67.

[16]劉涵，賀霖，李軍.深度學(xué)習(xí)進展及其在圖像處理領(lǐng)域的應(yīng)用[J].中興通訊技術(shù)，2017，23（4）：36-40.