曾光華，肖洋

銅仁職業(yè)技術學院，貴州銅仁，554300

0 引言

21世紀是處在信息時代的世紀，計算機信息技術日新月異，被廣泛應用于各行各業(yè)中，與人們的生活、生產密不可分。人工智能算法是人們基于自身行為特點和思維模式，對已經總結出的自然界規(guī)律進行模仿，以便處理一些問題，其拓展了計算機的運算功能，是計算機先進性的體現。圖像處理是人們當前所要面對的問題之一，人工方式的圖像處理任務量較大，處理效率偏低，為改變這種情況，可將人工智能算法引入到圖像處理中，利用對人工智能算法的研究和應用，來完成復雜而繁復的圖像處理工作，這有利于解放勞動力，促進人們工作效率的提升，保障圖像處理質量。因此，應當在圖像處理過程中充分發(fā)揮人工智能算法的作用，選擇適宜的方式，從而取得較好的處理效果。

1 人工智能的相關內容

人工智能是計算機科學的分支，屬于邊緣學科，是自然科學和社會科學的交叉，包含了多個領域的內容，涉及多個學科，有神經生理學、計算機科學、信息論、哲學與認知科學等，是當前科學研究的重要課題之一，其實際應用包括但不限于智能控制、機器人學、遺傳編程、語言和圖像理解等。

人工智能算法在圖像處理中有一定的優(yōu)勢，主要體現在以下幾個方面：①可替代人工作業(yè)，縮短工作時間，降低人工勞動成本，促進圖像處理技術水平和效果的提升；②有利于解決傳統圖像處理技術中圖像切分不到位的問題，提高圖像識別能力，使圖像處理更加精準；③可對圖像信息進行預處理，具備良好的圖像自我分析能力[1]。

2 圖像處理的相關內容

圖像處理是指利用計算機來處理圖像信息，包括但不限于圖像增強、圖像恢復、圖像分類和識別、圖像分割等。圖像處理分為兩種類別：①模擬圖像處理，如遙感圖像處理、電視信號處理等，其優(yōu)勢在于處理速度較快，具有實時性，不足之處是精度不高，不具備良好的靈活性；②數字圖像處理，主要是利用計算機、實時硬件來進行處理，其優(yōu)勢在于精度較高，可處理內容較為豐富，且具有較好的靈活性，能夠應對復雜的非線性處理，不足之處是處理速度有待提升，對分辨率有一定的限制[2]。圖像處理應用于人們生活中的各個領域，必須予以高度重視。

3 人工智能算法在圖像處理中的有效應用

3.1 人工神經網絡的應用

自20世紀80年代，人工神經網絡就已經成為人工智能研究領域中的熱門研究話題，其從信息角度出發(fā)，將人腦神經元網絡抽象化，以此來創(chuàng)建簡單的模型，通過不同的方式進行連接，組合成不同的網絡。人工神經網絡是一種全新的智能算法模型，能夠科學分析各個數據節(jié)點，并對其進行有效的處理，篩選出高價值的數據。人工神經網絡在圖像處理中有著良好的應用，主要體現在以下幾個方面。

（1）圖像數據壓縮中的應用。在進行大量的圖片傳輸、儲存時，為了提高效率，常常通過壓縮大容量圖像信息的方式來儲存、傳輸圖像，傳輸終端接收或提取圖像時，可根據相應的規(guī)則恢復圖像，從壓縮圖像信息中提取原始圖像信息。人工神經網絡在圖像數據壓縮中應用，形成了專門的壓縮系統，主要由壓縮網絡、傳輸通道、再生網絡等部分組成，還涉及輸入層的學習模式，以及輸出層的教師模式，網絡學習中這兩者使用的圖像信號一致。中間層的單元數比輸入層、輸出層的單元數要少得多，學習后的網絡能夠用少量的中間層單元進行圖像的傳輸和儲存[3]。

（2）圖像分割中的應用。早期視覺中，圖像分割有一定的難度，其指的是將圖像分為不同的部分，并且這些部分沒有相交，其目的在于只提取用戶感興趣的內容，去除不需要的部分。人工神經網絡在圖像分割中也有著不錯的應用，如可以使用三層前饋網絡來分割圖像，可根據每一個像素的輸入特征，來確定輸入層的神經元數，利用多層BP網絡來獲取圖像的閾值。在實際應用過程中，輸入是圖像的直方圖，輸出則是期望閾值，可形成二值化圖像。

（3）圖像分類與識別中的應用。在進行圖像處理時，圖像分類和識別是其中的重要內容之一，若是圖像模式較為簡單、類別較少，并且不同類別之間有明顯的區(qū)別，那么很容易完成分類和分割的任務；但如果正好相反，則需要通過科學識別來進行圖像分類。人工神經網絡在圖像分類中應用時，需將原始圖像作為輸入，再利用中間隱層提取特征。這種方式的優(yōu)勢在于具有直觀性、操作便捷，但不足在于所處理的圖像分辨率不可過高，以免增加輸入單元，導致計算量成倍遞增；但如果圖像分辨率過低，則難以準確區(qū)分圖像類別?；诖?，在進行圖像分類時，需要對原始圖像進行預處理，針對圖像的實際情況來提取其特征，并輸入到適宜的網絡模型中，以獲得準確的圖像分類結果。

（4）圖像增強中的應用。其作用在于處理完圖像之后，使之達到所需要的特定效果。對于不同類型的圖像，應采取不同的處理方式，并沒有標準公式，可通過人工神經網絡的學習、自組織能力來完成這一工作[4]。與此同時，人工神經網絡還被廣泛應用于圖像恢復、圖像目標識別等方面。

3.2 遺傳算法的應用

遺傳算法最早由美國學者在20世紀70年代提出，其以大自然規(guī)律為依據來進行設計，基于達爾文生物進化論的自然選擇和遺傳學機理，形成了一種模擬自然進化過程的計算模型，并以此來尋找最優(yōu)解。遺傳算法在圖像處理中應用，具有操作便捷的優(yōu)勢，可以直接處理圖像并尋求最佳處理方案，獲取最佳效果，能夠規(guī)避許多問題。遺傳算法具有一定的綜合性，涉及多方面內容，在進行圖像處理時，應當按照相關流程來執(zhí)行，如開始后，會產生初始種群，計算適應度判斷其是否變異。檢驗代次數是否達到最大值、適應度是否滿足期望值，如果是則處理結束；如果不是，那么要再進行選擇、交叉，重新計算適應度，然后再次進行判斷；如果代次數、適應度仍然未達到最大值和期望值，則判斷為變異；若達到，則處理結束。遺傳算法在圖像處理中的具體應用主要體現在以下幾個方面。

（1）在圖像增強中的應用。為了將變清楚的圖像變得更加清晰，或是突出圖像中的某些特征，以便對圖像進行有效處理，就需要實施圖像增強技術。常見的方式有兩種：①空域法，直接通過灰度變換、平滑濾波等方式來處理原始圖像；②頻域法，變換原始圖像，并在變換域中對其進行處理。遺傳算法在圖像增強中的應用，是尋求控制參數最優(yōu)化的過程。需要根據需求選擇適宜的參數模型，然后將問題轉化為另一個模型，通過確定不同的參數，來實現統一的目標[5]。在模糊增強處理圖像之后，創(chuàng)建出新的模型，通過遺傳算法來選擇灰度閾值。在設計應用過程中，可有效結合二進制編碼和十進制編碼的優(yōu)勢，提高搜索性，使種群更加穩(wěn)定。遺傳算法的應用優(yōu)勢在于能夠提高處理效率，縮短處理時間，可對大圖像庫進行自動化處理，而且能保證對圖像良好的增強效果。

（2）在圖像恢復中的應用。所謂圖像恢復，指的是將已經退化的圖像恢復到原狀。目前關于圖像恢復的方法較多，常見的有維納濾波法、最大熵恢復法。但由于圖像退化的原因并不能直接使用函數來表達，導致在處理時面臨著較大的計算量，難以確定退化函數。遺傳算法對于灰度圖像的恢復有著不錯的效果，其能夠編碼一般染色體，形成二維矩陣，以各像素灰度值為元素，每一個染色體都代表著一幅圖，對應著一個像素，這就能夠列出個體的適應度函數并進行計算。采用遺傳算法來進行圖像恢復，有利于降低噪聲影響，保證圖像的平滑性，還能夠防止其邊緣出現條紋效應，保持良好的視覺效果，具有較強的全局搜索能力[6]。

（3）在圖像重建中的應用。圖像重建指的是基于某種觀測背景下，通過恢復攜帶圖像信息的數據來獲取原始圖像。將遺傳算法應用于圖像重建中，能夠恢復有噪聲的投影數據圖像，隨機抽取初始種群的染色體，列出適應度函數進行計算。另外，部分學者提供了遺傳松弛迭代傅里葉變換算法，其能夠處理圖像重建過程中的停滯問題。目前這部分的應用還在進一步研究中，有待加強。

（4）在圖像分形壓縮中的應用。在進行圖像分形壓縮的時候，可用簡單的代數關系式來表達，這組代數關系式中的各元素應當是具有相似性的幾何體，以迭代函數系統、拼貼定理為理論。在處理過程中所合計到的值域塊這一概念，指的是相互不重疊的圖像小塊，同時對應的概念是定義域塊，指的是重疊較大尺寸的圖像塊。在編碼值域塊的時候，要尋找一個定義域塊、一個仿射變換，找到定義域塊和值域塊兩者之間的映射關系，然后利用遺傳算法來尋找最優(yōu)匹配方案。在圖像分形壓縮中使用遺傳算法的優(yōu)勢在于大大提升了壓縮比，使圖像壓縮精度更高，而且改善了信噪比，對于處理低比特率的圖像壓縮也有著不錯的效果，而且能夠縮短分形計算時間，但需要把控多個參數。

（5）在圖像分割中的應用。圖像分割需要將目標圖像與其背景相分離，以便后續(xù)進行圖像分類和識別工作。在使用遺傳算法進行處理時，會遇到兩種情況：一種是與當前常見的圖像分割方法結合使用，搜索這些方法中的最佳計算參數；另一種則是在候選的分割空間內，搜尋最佳的分割方案。

（6）在內容圖像檢索中的應用?；趦热莸膱D像檢索，指的是基于圖像中包含的色彩信息、形狀信息、紋理信息、對象空間關系信息等，來創(chuàng)建圖像的特征矢量，以此為圖像索引來進行檢索?？刹扇〗换ナ竭z傳算法來處理圖像檢索問題，從交互過程中了解用戶對染色體的評價，然后將用戶評價作為適應度，來選擇相應的圖像。遺傳算法在內容圖像檢索中的作用主要在于提取圖像特征向量，找到圖像本質信息，使圖像檢索更加方便、精確。

3.3 蟻群算法的應用

蟻群算法最早出現于1992年，其是一種用于尋找優(yōu)化路徑的概率型算法，具有分布計算特征，能夠開展啟發(fā)式搜索，獲取信息正反饋。這一算法的靈感來自螞蟻尋找食物、發(fā)現路徑，用螞蟻的行走路徑表示等待優(yōu)化問題的可行解決方案，螞蟻群體的所有路徑，組成了待優(yōu)化問題的解空間。蟻群算法的優(yōu)勢在于具有較好的適用性，能夠獲取圖像處理的最優(yōu)值，高效切分圖像，于最短時間內找到最佳的處理方案。蟻群算法在圖像處理中的應用主要體現在以下幾個方面。

（1）在圖像分割中的應用。由于蟻群算法具有正反饋性、并行性和較好的離散性，因此將其應用于圖像分割中能夠取得不錯的處理效果?？蓜?chuàng)設啟發(fā)式引導函數，利用初始聚類中心解決計算量較大的問題，能夠快速分割圖像，尋找到目標?？稍趯嵤┒S最大熵法的時候，使用蟻群算法，與之前的窮盡搜索方式相比，解答速率更高，而且精確度也比較好[7]。另外，還有部分學者在研究蟻群算法在圖像分割中的應用時，提出了模糊C均值聚類圖像分割算法，其優(yōu)勢在于能夠精準確定聚類的個數，并且可搜索出最優(yōu)值。

（2）在圖像邊緣檢測中的應用。圖像的邊緣中存在著大量的圖像信息，局部特征具有不連續(xù)性，而且灰度變化比相較于其他地方更為劇烈一些，邊緣便是指代灰度急劇變化的圖像邊界區(qū)域。一般情況下有兩種類型，一種是屋頂狀邊緣，另一種則是階躍狀邊緣。傳統的邊緣檢測方法主要有Canny算子、Sobel算子、基于灰度直方圖的邊緣檢測等，蟻群算法同樣可以用于邊緣檢測中，主要是利用該算法良好的局部極值處理能力，來確定FCM算法聚類數目，然后再據此來處理蟻群聚類，得到有效的處理結果。

（3）在圖像分類中的應用。部分學者在研究過程中認為，在處理圖像分類時，可以基于其特點引入分類蟻群模型，通過隨機識別螞蟻統計圖像類別，然后據此來確定聚類中心。智能螞蟻可以通過搜索前進策略，來對圖像進行分類。這種圖像分類方式的優(yōu)點在于能夠實現自動化分類，而且所需要的時間比較短，圖像自動分類算法也更具通用性。與此同時，也有學者認為可以基于蟻群優(yōu)化分類規(guī)則，來進行遙感圖像分類，不需要統計分布參數，有利于提升遙感數據處理水平。

（4）在圖像匹配中的應用。在進行圖像匹配處理的時候，可以通過引入動態(tài)融合蟻群遺傳算法來進行處理，尤其適用于多模醫(yī)學圖像配準中。其優(yōu)勢在于可尋找到最優(yōu)變換參數，避免進行大量的重復性計算，配準率較高，而且具有不錯的穩(wěn)定性。

4 結語

總而言之，在圖像處理過程中，應當充分利用人工智能算法，需針對圖像處理的特點，來對不同的人工智能算法進行研究，使之有效運用于圖像處理工作中，從而提高圖像處理技術水平，保障圖像處理效果。人工神經網絡、遺傳算法、蟻群算法都被廣泛應用于圖像增強、圖像分類和識別、圖像恢復、圖像分割等方面，經過實踐證明，取得了不錯的成效，但還需要進一步加強研究。