基于大数据处理技术的深度学习算法的图像处理优化技术研究

秦秀常

（贵州电子信息职业技术学院，贵州凯里，556000）

1 大数据处理技术、深度学习算法及图像处理技术的特点

1.1 大数据处理技术的特点

大数据是计算机网络发展的产物，是技术不断创新和技术改革的又一次突破，给诸多领域带来的影响也是深远的，且价值是无法衡量的，对整个人类持续发展和生活提供了续航能力。其特点主要是数据量庞大、能够快速、高效的完成分析和处理，结果给人类提供战略决策参考。大数据处理技术能够对不同类型的数据实时的、快速的处理和智能化分析，以便人类能够及时的根据参考分析做出最快、最正确的决策。数据的种类、类型非常之多，主要是图像、文本、网页、音频、视频等诸多形式，而依托于计算机的处理能力，大数据处理技术对图像的处理技术发展显得额外重要，图像作为信息传递过程中的重要载体，正在逐渐受到关注，相关处理图像的技术也得到长足的发展，不断的在大数据处理技术基础上进行着革新。

1.2 深度学习算法

人工神经网络的产生是基于深度学习算法能够解决较为复杂的问题，是生物科技的发展和应用，在解决具体问题上产生了巨大的作用，在图像处理中提取和识别环节进行了优化处理，使得图像处理基础得到了精益化。深度学习算法是在图像处理的算法上进行了增强，进而对整体的图像识别能力进行提升，图像的分辨率的提升改观了图像的处理能力和视觉效果。其次，图像处理过程中良好的去噪能力能够提高图像的识别效果。传统的图像信息受外界因素的影响，严重的影响图像的处理和效果。基于深度学习算法一方面减少外界的影响因素干扰作用，另一方面采用算法在技术要求上进行除噪，二者结合达到图像处理技术的精益过程，优化图像的处理效果。深度学习在图像处理技术领域发展是比较前卫的，其卓越的技术能力不断引领着各个领域的发展进程。

1.3 图像处理技术

图像处理技术是基于计算机对图像进行的图像数字化、图像增强和复原、图像数据编码、图像分割、图像识别的处理技术，常用的几种基本方法有点式处理、组处理、几何图形处理、帧处理。将获得的图像信息通过处理技术转换为数字信息，借助计算机软件对图像进行处理，经常用于使用计算机处理图像的主要任务包括采用特定的分类标准来对图像进行分类、压缩图像、提高图像质量以及提取图像特征。图像处理技术与常规图像处理技术有很大的不同，因为它可以改善图像质量的清晰度并识别和提取图像内容的特征。作为人工智能技术应用的关键领域，当前的图像处理技术包括多种学科的交集，包括识别、视觉、多媒体技术和其他学科。这将使图像识别技术在未来的指纹识别和车辆检测等领域成功应用，从而提高人们的生产和生活便利性。

2 图像处理优化技术之人工神经网络算法技术

2.1 人工神经网络算法

人工神经网络是基于人类神经工作原理发展而来，由数量庞大的神经元连接而成，利用了其能够快速处理的特性，每个神经元具有简单、高效的计算能力，但是连接到一起就凸显了短时间内进行庞大数据处理的能力，高效完成计算机需要复杂计算的数据处理。此外，人工神经网络的数据储存能力异常强悍，造就了其具有很强的数据信息处理能力，在信息缺失情况下仍然能依托联想思维使用储存的数据，并最终得到完整的图像，极强的识别能力使其拥有无限的发展潜力。这是现代科学与生物科学结合的成果，模拟大脑神经网络结构，模拟大脑神经的的记忆原理，进而发展而成的算法技术，即使某一个或者几个神经元损坏之后，仍然能够依据其记忆和处理能力对图像进行识别，而且比较接近完成图像。

2.2 人工神经网络的特点

大量基本神经元组成的人工神经网络，各个单元相互连接而成的系统是非线性动态系统，尽管单个神经元简单，组成的系统却能够进行非常复杂的计算和分析，在原理和功能上接近人脑。人工神经网络具有极强的学习能力和总结能力，能够在日常的计算或者识别过程中不断的进行自我分析和总结，经过一些训练后能够实现自己发现环境特征和规律的能力，就像人类的大脑一样会思考分析。其次，是对一些为接触的、陌生的信息可以实现分析和预测，图像处理中会涉及除噪等干扰因素，人工神经网络可以轻松的实现排除干扰因素而处理图像的能力，人工神经网络是会思考的。

2.3 人工神经网络在图像处理技术中的应用

图形识别是人类视觉系统的重要部门，需要在图像处理过程中保持图形的完整性，而图像处理技术也恰恰是利用了图形识别的特性开发出图像优化处理技术，使得图像在识别处理技术上得到的精益化。神经网络图像数据压缩系统图像数据压缩能够将图像信息进行压缩处理，以方便储存和传输，在使用时可以接收完图像之后予以恢复。图像分割对于传统图像处理技术来说是很难的，将我们需求的图像部分和不需要的部分进行分割，有效的在外界因素干扰下提取目标图像。无论哪种处理技术都是运用了生物神经网络原理，利用非线性神经元之间的复杂工作过程模仿人脑对信息的处理过程，人工神经网络技术的成功验证了该技术方向发展的可行性及应用价值。其智能识别的能力是最大优点，而且能够在某些神经元损坏的情况下依旧可以进行复杂的图像处理，其也是人工智能在应用上成功的技术，奠基了人工智能图像处理优化技术的基础。

3 图像处理优化技术之粒子群算法

3.1 粒子群算法技术

粒子群算法是模仿群鸟捕食的过程，在特定的区域内有一群鸟随机搜索未知食物，食物只有一块。从这种模式中得到启发，优化问题的方法代表一个粒子，每一个粒子有自己的优化函数，凭借飞行速度所有粒子在该区域中寻找优化问题的方法，在寻找过程中每个粒子通过不断的学习优化自己的行为。每个粒子找到最优解后，在所有最优解中存在一个极优解，所有的粒子会改变自己的速度和方向，朝着极优解位置移动。粒子群算法在开始的时候只是一群随机飞行的粒子，粒子在飞行的过程中不断优化，根据极优解和自己的位置不断调整自己的位置，进而调整自己的飞行方向。

3.2 粒子群算法的特点

在运行过程中，首先对粒子群进行初始化，赋予每个粒子随机的速度和方向对优化算法进行寻找，没有交叉或者变异的过程，在寻找过程中不断将找到的最优解分享给各个粒子，且不需要调整复杂的参数，结构和原理非常简单。该算法具有不确定性，借鉴了自然界的生物的机制，在寻找极优解方面相对确定性算法要优化很多。作为概率型优化算法，能够找到全局的极优解，但是由于粒子速度逐渐衰减、收敛会导致结果是局部的。在寻找极优解过程中体现了各个粒子之间的信息交互，并且能够及时修正粒子群的位置和方向。此外，表现除了极强的记忆能力和学习能力，对整个行为过程的修正做出最优判断。此种算法能在不同环境下运行，而且行之有效，但是在粒子群算法的理论发展稍缓慢，不足以支撑其收敛的精确计算。

3.3 粒子群算法在图像处理技术中的应用

该方法目前被广泛应用在模式识别和图像处理技术上，能够实现图像分割、校准、融合、压缩、合成等方面，效果显著且高效。图像分割和处理是图像处理技术中的重点步骤，是处理复杂图像的基础技术，对目标和背景进行分割，同时考虑像素的色调信息和区域信息，使得分割的过程更加高效精准，粒子群算法解决了图像处理分割耗时长的缺点。此外，图像采集过程中由于受到大气等外界环境因素的影响导致图像模糊，导致图像信息不能进一步分析和理解，那么模糊图像复原就成为了图像处理的困难领域之一。通过粒子群算法能解决图像采集过程中散焦模糊和运动模糊造成的图像模糊恢复清晰问题，解决了图像退化的问题，使得图像更加接近实景。相对其他算法的应用，该算法具有需要输入的变量简单、易操作，最重要的是高效，在很多领域都有应用案例，基于其能够简易化复杂的、数量庞大的图像处理应用起来得心应手，与其他算法可以融合使用，是图像处理优化技术中兼容性很好的算法。

4 图像处理优化技术之图像匹配算法

4.1 图像匹配算法

是通过对图像信息、灰度的特点对比进行图像查找，图像前期处理、获得相关信息、进行匹配查找几个主要步骤进行图像搜索。运用匹配的方法寻找最优解，其寻找效率主要取决于图像的特征、搜索的区域、搜索的规则、相似图像的识别几个因素，同时要满足匹配精度高、速度快、稳定性好，图像搜索技术作为图像匹配算法的基础条件。此外，SIFT算法和粒子群算法给图像匹配提供了重要的理论支持，SIFT算法主要的作用是对图像信息进行第一次处理，甄选出更加突出的特点信息，进而减少匹配失败的发生，同时利用粒子群算法进行搜索，最终匹配到最优的图像。在SIFT算法进行处理时，将特征向量提取出来，在匹配目标图像过程中，获取位置、尺寸等特征的固定值确定为SIFT的特征信息，具备抗干扰、高效的特征。

4.2 图像匹配算法的特点

一种方法是基于灰度匹配，一种是基于特征匹配，特征匹配是在对图像进行初步处理，对图像的特征进行提取，而后通过粒子群算法在提取特征的准则下进行匹配，过程中涉及点、边缘、线条的特征匹配，更加容易匹配到最优解，同时排除外界干扰因素，对灰度的变化、形状的变化和遮挡物有较强的识别能力，因此其能够实现高效的匹配任务。基于灰度描述、特征描述、关系描述的变量进行提取的特征更具突出作用，在图像匹配过程中再结合粒子群算法进行效率精益化，同时也要对匹配到的图像进行智能识别，通过三个变量进行校正，不断的排除非最优解，也通过离子群的联系方式进行沟通交流，在区域内最终快速的完成图像匹配最优解的结果，这也是匹配算法被广泛应用的主要特点之一。

4.3 图像匹配算法的应用

图像匹配算法在军事、网络、工业、医学等诸多领域得到应用，以其优异的特性不断的开拓这应用领域。其是处理图像技术的关键组成，其发展相对成熟，理论基础相对扎实，匹配最优解的效果相对突出，打下了坚实的应用基础。SIFT算法对提取的特征进行了初步的处理，缩放、平移等并不改变这些图像的特征，同时对视角和灰度进行凸显，并对特征进行优化、升华为主要凸显特征。结合粒子群算法进行了双向优化提高效率，使得其能够不断扩展应用领域，实现图像处理匹配效果。在很多加工流水线上就应用了此项技术，在精确定位和对准方向方面能够实现快速作业，提高了自动线生产线的效率。图像匹配算法应用的普及性更加强，几乎涵盖各个领域，与其图像处理的效率是分不开的，该技术已经发展足以支撑其熟练应用，排除相似寻找到最优解方面炉火纯青。

5 结语

大数据的支持下图像处理技术不断得到精益化，但是却产生了新的问题难以解决，文章基于深度学习算法解决这些症结，从而达到图像处理优化技术的再一次精益化，为图像处理技术的更多领域应用提供支撑。首先是巨量信息存储问题，利用人工神经网络技术实现大量数据的压缩，并且实现快速传输，在接收阶段通过实际需求选择如何释放压缩，是生物科技发展应用的延伸，有效的实现了图像处理优化技术的精益化，也打开了仿生物技术应用的大门，为未来生物科技的应用创造了良好的开端。其次是粒子群算法解决了快速处理复杂图像处理的过程，其利用粒子之间的联系与记忆功能，实现了短时间寻求最优解的过程，并且输入变量及其少，非常适合受外界环境干扰的图像处理优化过程。图像匹配算法是在粒子群算法的基础上进行了优化处理，主要使用SIFT算法的工作原理，对复杂图像进行特性提取，作为变量以粒子群的工作方式高效的完成复杂图像的处理。几种算法都实现了图像处理技术的优化，不同的是理论基础不同和实现原理不同，未来的图像处理优化技术仍需发展，更加高效、优质的技术有待挖掘。