秦秀常

（貴州電子信息職業(yè)技術(shù)學(xué)院，貴州凱里，556000）

1 大數(shù)據(jù)處理技術(shù)、深度學(xué)習(xí)算法及圖像處理技術(shù)的特點(diǎn)

1.1 大數(shù)據(jù)處理技術(shù)的特點(diǎn)

大數(shù)據(jù)是計(jì)算機(jī)網(wǎng)絡(luò)發(fā)展的產(chǎn)物，是技術(shù)不斷創(chuàng)新和技術(shù)改革的又一次突破，給諸多領(lǐng)域帶來的影響也是深遠(yuǎn)的，且價值是無法衡量的，對整個人類持續(xù)發(fā)展和生活提供了續(xù)航能力。其特點(diǎn)主要是數(shù)據(jù)量龐大、能夠快速、高效的完成分析和處理，結(jié)果給人類提供戰(zhàn)略決策參考。大數(shù)據(jù)處理技術(shù)能夠?qū)Σ煌愋偷臄?shù)據(jù)實(shí)時的、快速的處理和智能化分析，以便人類能夠及時的根據(jù)參考分析做出最快、最正確的決策。數(shù)據(jù)的種類、類型非常之多，主要是圖像、文本、網(wǎng)頁、音頻、視頻等諸多形式，而依托于計(jì)算機(jī)的處理能力，大數(shù)據(jù)處理技術(shù)對圖像的處理技術(shù)發(fā)展顯得額外重要，圖像作為信息傳遞過程中的重要載體，正在逐漸受到關(guān)注，相關(guān)處理圖像的技術(shù)也得到長足的發(fā)展，不斷的在大數(shù)據(jù)處理技術(shù)基礎(chǔ)上進(jìn)行著革新。

1.2 深度學(xué)習(xí)算法

人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生是基于深度學(xué)習(xí)算法能夠解決較為復(fù)雜的問題，是生物科技的發(fā)展和應(yīng)用，在解決具體問題上產(chǎn)生了巨大的作用，在圖像處理中提取和識別環(huán)節(jié)進(jìn)行了優(yōu)化處理，使得圖像處理基礎(chǔ)得到了精益化。深度學(xué)習(xí)算法是在圖像處理的算法上進(jìn)行了增強(qiáng)，進(jìn)而對整體的圖像識別能力進(jìn)行提升，圖像的分辨率的提升改觀了圖像的處理能力和視覺效果。其次，圖像處理過程中良好的去噪能力能夠提高圖像的識別效果。傳統(tǒng)的圖像信息受外界因素的影響，嚴(yán)重的影響圖像的處理和效果?；谏疃葘W(xué)習(xí)算法一方面減少外界的影響因素干擾作用，另一方面采用算法在技術(shù)要求上進(jìn)行除噪，二者結(jié)合達(dá)到圖像處理技術(shù)的精益過程，優(yōu)化圖像的處理效果。深度學(xué)習(xí)在圖像處理技術(shù)領(lǐng)域發(fā)展是比較前衛(wèi)的，其卓越的技術(shù)能力不斷引領(lǐng)著各個領(lǐng)域的發(fā)展進(jìn)程。

1.3 圖像處理技術(shù)

圖像處理技術(shù)是基于計(jì)算機(jī)對圖像進(jìn)行的圖像數(shù)字化、圖像增強(qiáng)和復(fù)原、圖像數(shù)據(jù)編碼、圖像分割、圖像識別的處理技術(shù)，常用的幾種基本方法有點(diǎn)式處理、組處理、幾何圖形處理、幀處理。將獲得的圖像信息通過處理技術(shù)轉(zhuǎn)換為數(shù)字信息，借助計(jì)算機(jī)軟件對圖像進(jìn)行處理，經(jīng)常用于使用計(jì)算機(jī)處理圖像的主要任務(wù)包括采用特定的分類標(biāo)準(zhǔn)來對圖像進(jìn)行分類、壓縮圖像、提高圖像質(zhì)量以及提取圖像特征。圖像處理技術(shù)與常規(guī)圖像處理技術(shù)有很大的不同，因?yàn)樗梢愿纳茍D像質(zhì)量的清晰度并識別和提取圖像內(nèi)容的特征。作為人工智能技術(shù)應(yīng)用的關(guān)鍵領(lǐng)域，當(dāng)前的圖像處理技術(shù)包括多種學(xué)科的交集，包括識別、視覺、多媒體技術(shù)和其他學(xué)科。這將使圖像識別技術(shù)在未來的指紋識別和車輛檢測等領(lǐng)域成功應(yīng)用，從而提高人們的生產(chǎn)和生活便利性。

2 圖像處理優(yōu)化技術(shù)之人工神經(jīng)網(wǎng)絡(luò)算法技術(shù)

2.1 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)是基于人類神經(jīng)工作原理發(fā)展而來，由數(shù)量龐大的神經(jīng)元連接而成，利用了其能夠快速處理的特性，每個神經(jīng)元具有簡單、高效的計(jì)算能力，但是連接到一起就凸顯了短時間內(nèi)進(jìn)行龐大數(shù)據(jù)處理的能力，高效完成計(jì)算機(jī)需要復(fù)雜計(jì)算的數(shù)據(jù)處理。此外，人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)儲存能力異常強(qiáng)悍，造就了其具有很強(qiáng)的數(shù)據(jù)信息處理能力，在信息缺失情況下仍然能依托聯(lián)想思維使用儲存的數(shù)據(jù)，并最終得到完整的圖像，極強(qiáng)的識別能力使其擁有無限的發(fā)展?jié)摿?。這是現(xiàn)代科學(xué)與生物科學(xué)結(jié)合的成果，模擬大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，模擬大腦神經(jīng)的的記憶原理，進(jìn)而發(fā)展而成的算法技術(shù)，即使某一個或者幾個神經(jīng)元損壞之后，仍然能夠依據(jù)其記憶和處理能力對圖像進(jìn)行識別，而且比較接近完成圖像。

2.2 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

大量基本神經(jīng)元組成的人工神經(jīng)網(wǎng)絡(luò)，各個單元相互連接而成的系統(tǒng)是非線性動態(tài)系統(tǒng)，盡管單個神經(jīng)元簡單，組成的系統(tǒng)卻能夠進(jìn)行非常復(fù)雜的計(jì)算和分析，在原理和功能上接近人腦。人工神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的學(xué)習(xí)能力和總結(jié)能力，能夠在日常的計(jì)算或者識別過程中不斷的進(jìn)行自我分析和總結(jié)，經(jīng)過一些訓(xùn)練后能夠?qū)崿F(xiàn)自己發(fā)現(xiàn)環(huán)境特征和規(guī)律的能力，就像人類的大腦一樣會思考分析。其次，是對一些為接觸的、陌生的信息可以實(shí)現(xiàn)分析和預(yù)測，圖像處理中會涉及除噪等干擾因素，人工神經(jīng)網(wǎng)絡(luò)可以輕松的實(shí)現(xiàn)排除干擾因素而處理圖像的能力，人工神經(jīng)網(wǎng)絡(luò)是會思考的。

2.3 人工神經(jīng)網(wǎng)絡(luò)在圖像處理技術(shù)中的應(yīng)用

圖形識別是人類視覺系統(tǒng)的重要部門，需要在圖像處理過程中保持圖形的完整性，而圖像處理技術(shù)也恰恰是利用了圖形識別的特性開發(fā)出圖像優(yōu)化處理技術(shù)，使得圖像在識別處理技術(shù)上得到的精益化。神經(jīng)網(wǎng)絡(luò)圖像數(shù)據(jù)壓縮系統(tǒng)圖像數(shù)據(jù)壓縮能夠?qū)D像信息進(jìn)行壓縮處理，以方便儲存和傳輸，在使用時可以接收完圖像之后予以恢復(fù)。圖像分割對于傳統(tǒng)圖像處理技術(shù)來說是很難的，將我們需求的圖像部分和不需要的部分進(jìn)行分割，有效的在外界因素干擾下提取目標(biāo)圖像。無論哪種處理技術(shù)都是運(yùn)用了生物神經(jīng)網(wǎng)絡(luò)原理，利用非線性神經(jīng)元之間的復(fù)雜工作過程模仿人腦對信息的處理過程，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的成功驗(yàn)證了該技術(shù)方向發(fā)展的可行性及應(yīng)用價值。其智能識別的能力是最大優(yōu)點(diǎn)，而且能夠在某些神經(jīng)元損壞的情況下依舊可以進(jìn)行復(fù)雜的圖像處理，其也是人工智能在應(yīng)用上成功的技術(shù)，奠基了人工智能圖像處理優(yōu)化技術(shù)的基礎(chǔ)。

3 圖像處理優(yōu)化技術(shù)之粒子群算法

3.1 粒子群算法技術(shù)

粒子群算法是模仿群鳥捕食的過程，在特定的區(qū)域內(nèi)有一群鳥隨機(jī)搜索未知食物，食物只有一塊。從這種模式中得到啟發(fā)，優(yōu)化問題的方法代表一個粒子，每一個粒子有自己的優(yōu)化函數(shù)，憑借飛行速度所有粒子在該區(qū)域中尋找優(yōu)化問題的方法，在尋找過程中每個粒子通過不斷的學(xué)習(xí)優(yōu)化自己的行為。每個粒子找到最優(yōu)解后，在所有最優(yōu)解中存在一個極優(yōu)解，所有的粒子會改變自己的速度和方向，朝著極優(yōu)解位置移動。粒子群算法在開始的時候只是一群隨機(jī)飛行的粒子，粒子在飛行的過程中不斷優(yōu)化，根據(jù)極優(yōu)解和自己的位置不斷調(diào)整自己的位置，進(jìn)而調(diào)整自己的飛行方向。

3.2 粒子群算法的特點(diǎn)

在運(yùn)行過程中，首先對粒子群進(jìn)行初始化，賦予每個粒子隨機(jī)的速度和方向?qū)?yōu)化算法進(jìn)行尋找，沒有交叉或者變異的過程，在尋找過程中不斷將找到的最優(yōu)解分享給各個粒子，且不需要調(diào)整復(fù)雜的參數(shù)，結(jié)構(gòu)和原理非常簡單。該算法具有不確定性，借鑒了自然界的生物的機(jī)制，在尋找極優(yōu)解方面相對確定性算法要優(yōu)化很多。作為概率型優(yōu)化算法，能夠找到全局的極優(yōu)解，但是由于粒子速度逐漸衰減、收斂會導(dǎo)致結(jié)果是局部的。在尋找極優(yōu)解過程中體現(xiàn)了各個粒子之間的信息交互，并且能夠及時修正粒子群的位置和方向。此外，表現(xiàn)除了極強(qiáng)的記憶能力和學(xué)習(xí)能力，對整個行為過程的修正做出最優(yōu)判斷。此種算法能在不同環(huán)境下運(yùn)行，而且行之有效，但是在粒子群算法的理論發(fā)展稍緩慢，不足以支撐其收斂的精確計(jì)算。

3.3 粒子群算法在圖像處理技術(shù)中的應(yīng)用

該方法目前被廣泛應(yīng)用在模式識別和圖像處理技術(shù)上，能夠?qū)崿F(xiàn)圖像分割、校準(zhǔn)、融合、壓縮、合成等方面，效果顯著且高效。圖像分割和處理是圖像處理技術(shù)中的重點(diǎn)步驟，是處理復(fù)雜圖像的基礎(chǔ)技術(shù)，對目標(biāo)和背景進(jìn)行分割，同時考慮像素的色調(diào)信息和區(qū)域信息，使得分割的過程更加高效精準(zhǔn)，粒子群算法解決了圖像處理分割耗時長的缺點(diǎn)。此外，圖像采集過程中由于受到大氣等外界環(huán)境因素的影響導(dǎo)致圖像模糊，導(dǎo)致圖像信息不能進(jìn)一步分析和理解，那么模糊圖像復(fù)原就成為了圖像處理的困難領(lǐng)域之一。通過粒子群算法能解決圖像采集過程中散焦模糊和運(yùn)動模糊造成的圖像模糊恢復(fù)清晰問題，解決了圖像退化的問題，使得圖像更加接近實(shí)景。相對其他算法的應(yīng)用，該算法具有需要輸入的變量簡單、易操作，最重要的是高效，在很多領(lǐng)域都有應(yīng)用案例，基于其能夠簡易化復(fù)雜的、數(shù)量龐大的圖像處理應(yīng)用起來得心應(yīng)手，與其他算法可以融合使用，是圖像處理優(yōu)化技術(shù)中兼容性很好的算法。

4 圖像處理優(yōu)化技術(shù)之圖像匹配算法

4.1 圖像匹配算法

是通過對圖像信息、灰度的特點(diǎn)對比進(jìn)行圖像查找，圖像前期處理、獲得相關(guān)信息、進(jìn)行匹配查找?guī)讉€主要步驟進(jìn)行圖像搜索。運(yùn)用匹配的方法尋找最優(yōu)解，其尋找效率主要取決于圖像的特征、搜索的區(qū)域、搜索的規(guī)則、相似圖像的識別幾個因素，同時要滿足匹配精度高、速度快、穩(wěn)定性好，圖像搜索技術(shù)作為圖像匹配算法的基礎(chǔ)條件。此外，SIFT算法和粒子群算法給圖像匹配提供了重要的理論支持，SIFT算法主要的作用是對圖像信息進(jìn)行第一次處理，甄選出更加突出的特點(diǎn)信息，進(jìn)而減少匹配失敗的發(fā)生，同時利用粒子群算法進(jìn)行搜索，最終匹配到最優(yōu)的圖像。在SIFT算法進(jìn)行處理時，將特征向量提取出來，在匹配目標(biāo)圖像過程中，獲取位置、尺寸等特征的固定值確定為SIFT的特征信息，具備抗干擾、高效的特征。

4.2 圖像匹配算法的特點(diǎn)

一種方法是基于灰度匹配，一種是基于特征匹配，特征匹配是在對圖像進(jìn)行初步處理，對圖像的特征進(jìn)行提取，而后通過粒子群算法在提取特征的準(zhǔn)則下進(jìn)行匹配，過程中涉及點(diǎn)、邊緣、線條的特征匹配，更加容易匹配到最優(yōu)解，同時排除外界干擾因素，對灰度的變化、形狀的變化和遮擋物有較強(qiáng)的識別能力，因此其能夠?qū)崿F(xiàn)高效的匹配任務(wù)?；诨叶让枋?、特征描述、關(guān)系描述的變量進(jìn)行提取的特征更具突出作用，在圖像匹配過程中再結(jié)合粒子群算法進(jìn)行效率精益化，同時也要對匹配到的圖像進(jìn)行智能識別，通過三個變量進(jìn)行校正，不斷的排除非最優(yōu)解，也通過離子群的聯(lián)系方式進(jìn)行溝通交流，在區(qū)域內(nèi)最終快速的完成圖像匹配最優(yōu)解的結(jié)果，這也是匹配算法被廣泛應(yīng)用的主要特點(diǎn)之一。

4.3 圖像匹配算法的應(yīng)用

圖像匹配算法在軍事、網(wǎng)絡(luò)、工業(yè)、醫(yī)學(xué)等諸多領(lǐng)域得到應(yīng)用，以其優(yōu)異的特性不斷的開拓這應(yīng)用領(lǐng)域。其是處理圖像技術(shù)的關(guān)鍵組成，其發(fā)展相對成熟，理論基礎(chǔ)相對扎實(shí)，匹配最優(yōu)解的效果相對突出，打下了堅(jiān)實(shí)的應(yīng)用基礎(chǔ)。SIFT算法對提取的特征進(jìn)行了初步的處理，縮放、平移等并不改變這些圖像的特征，同時對視角和灰度進(jìn)行凸顯，并對特征進(jìn)行優(yōu)化、升華為主要凸顯特征。結(jié)合粒子群算法進(jìn)行了雙向優(yōu)化提高效率，使得其能夠不斷擴(kuò)展應(yīng)用領(lǐng)域，實(shí)現(xiàn)圖像處理匹配效果。在很多加工流水線上就應(yīng)用了此項(xiàng)技術(shù)，在精確定位和對準(zhǔn)方向方面能夠?qū)崿F(xiàn)快速作業(yè)，提高了自動線生產(chǎn)線的效率。圖像匹配算法應(yīng)用的普及性更加強(qiáng)，幾乎涵蓋各個領(lǐng)域，與其圖像處理的效率是分不開的，該技術(shù)已經(jīng)發(fā)展足以支撐其熟練應(yīng)用，排除相似尋找到最優(yōu)解方面爐火純青。

5 結(jié)語

大數(shù)據(jù)的支持下圖像處理技術(shù)不斷得到精益化，但是卻產(chǎn)生了新的問題難以解決，文章基于深度學(xué)習(xí)算法解決這些癥結(jié)，從而達(dá)到圖像處理優(yōu)化技術(shù)的再一次精益化，為圖像處理技術(shù)的更多領(lǐng)域應(yīng)用提供支撐。首先是巨量信息存儲問題，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)大量數(shù)據(jù)的壓縮，并且實(shí)現(xiàn)快速傳輸，在接收階段通過實(shí)際需求選擇如何釋放壓縮，是生物科技發(fā)展應(yīng)用的延伸，有效的實(shí)現(xiàn)了圖像處理優(yōu)化技術(shù)的精益化，也打開了仿生物技術(shù)應(yīng)用的大門，為未來生物科技的應(yīng)用創(chuàng)造了良好的開端。其次是粒子群算法解決了快速處理復(fù)雜圖像處理的過程，其利用粒子之間的聯(lián)系與記憶功能，實(shí)現(xiàn)了短時間尋求最優(yōu)解的過程，并且輸入變量及其少，非常適合受外界環(huán)境干擾的圖像處理優(yōu)化過程。圖像匹配算法是在粒子群算法的基礎(chǔ)上進(jìn)行了優(yōu)化處理，主要使用SIFT算法的工作原理，對復(fù)雜圖像進(jìn)行特性提取，作為變量以粒子群的工作方式高效的完成復(fù)雜圖像的處理。幾種算法都實(shí)現(xiàn)了圖像處理技術(shù)的優(yōu)化，不同的是理論基礎(chǔ)不同和實(shí)現(xiàn)原理不同，未來的圖像處理優(yōu)化技術(shù)仍需發(fā)展，更加高效、優(yōu)質(zhì)的技術(shù)有待挖掘。