人工智能算法在图像处理中的应用见解

曾光华，肖洋

铜仁职业技术学院，贵州铜仁，554300

0 引言

21世纪是处在信息时代的世纪，计算机信息技术日新月异，被广泛应用于各行各业中，与人们的生活、生产密不可分。人工智能算法是人们基于自身行为特点和思维模式，对已经总结出的自然界规律进行模仿，以便处理一些问题，其拓展了计算机的运算功能，是计算机先进性的体现。图像处理是人们当前所要面对的问题之一，人工方式的图像处理任务量较大，处理效率偏低，为改变这种情况，可将人工智能算法引入到图像处理中，利用对人工智能算法的研究和应用，来完成复杂而繁复的图像处理工作，这有利于解放劳动力，促进人们工作效率的提升，保障图像处理质量。因此，应当在图像处理过程中充分发挥人工智能算法的作用，选择适宜的方式，从而取得较好的处理效果。

1 人工智能的相关内容

人工智能是计算机科学的分支，属于边缘学科，是自然科学和社会科学的交叉，包含了多个领域的内容，涉及多个学科，有神经生理学、计算机科学、信息论、哲学与认知科学等，是当前科学研究的重要课题之一，其实际应用包括但不限于智能控制、机器人学、遗传编程、语言和图像理解等。

人工智能算法在图像处理中有一定的优势，主要体现在以下几个方面：①可替代人工作业，缩短工作时间，降低人工劳动成本，促进图像处理技术水平和效果的提升；②有利于解决传统图像处理技术中图像切分不到位的问题，提高图像识别能力，使图像处理更加精准；③可对图像信息进行预处理，具备良好的图像自我分析能力[1]。

2 图像处理的相关内容

图像处理是指利用计算机来处理图像信息，包括但不限于图像增强、图像恢复、图像分类和识别、图像分割等。图像处理分为两种类别：①模拟图像处理，如遥感图像处理、电视信号处理等，其优势在于处理速度较快，具有实时性，不足之处是精度不高，不具备良好的灵活性；②数字图像处理，主要是利用计算机、实时硬件来进行处理，其优势在于精度较高，可处理内容较为丰富，且具有较好的灵活性，能够应对复杂的非线性处理，不足之处是处理速度有待提升，对分辨率有一定的限制[2]。图像处理应用于人们生活中的各个领域，必须予以高度重视。

3 人工智能算法在图像处理中的有效应用

3.1 人工神经网络的应用

自20世纪80年代，人工神经网络就已经成为人工智能研究领域中的热门研究话题，其从信息角度出发，将人脑神经元网络抽象化，以此来创建简单的模型，通过不同的方式进行连接，组合成不同的网络。人工神经网络是一种全新的智能算法模型，能够科学分析各个数据节点，并对其进行有效的处理，筛选出高价值的数据。人工神经网络在图像处理中有着良好的应用，主要体现在以下几个方面。

（1）图像数据压缩中的应用。在进行大量的图片传输、储存时，为了提高效率，常常通过压缩大容量图像信息的方式来储存、传输图像，传输终端接收或提取图像时，可根据相应的规则恢复图像，从压缩图像信息中提取原始图像信息。人工神经网络在图像数据压缩中应用，形成了专门的压缩系统，主要由压缩网络、传输通道、再生网络等部分组成，还涉及输入层的学习模式，以及输出层的教师模式，网络学习中这两者使用的图像信号一致。中间层的单元数比输入层、输出层的单元数要少得多，学习后的网络能够用少量的中间层单元进行图像的传输和储存[3]。

（2）图像分割中的应用。早期视觉中，图像分割有一定的难度，其指的是将图像分为不同的部分，并且这些部分没有相交，其目的在于只提取用户感兴趣的内容，去除不需要的部分。人工神经网络在图像分割中也有着不错的应用，如可以使用三层前馈网络来分割图像，可根据每一个像素的输入特征，来确定输入层的神经元数，利用多层BP网络来获取图像的阈值。在实际应用过程中，输入是图像的直方图，输出则是期望阈值，可形成二值化图像。

（3）图像分类与识别中的应用。在进行图像处理时，图像分类和识别是其中的重要内容之一，若是图像模式较为简单、类别较少，并且不同类别之间有明显的区别，那么很容易完成分类和分割的任务；但如果正好相反，则需要通过科学识别来进行图像分类。人工神经网络在图像分类中应用时，需将原始图像作为输入，再利用中间隐层提取特征。这种方式的优势在于具有直观性、操作便捷，但不足在于所处理的图像分辨率不可过高，以免增加输入单元，导致计算量成倍递增；但如果图像分辨率过低，则难以准确区分图像类别。基于此，在进行图像分类时，需要对原始图像进行预处理，针对图像的实际情况来提取其特征，并输入到适宜的网络模型中，以获得准确的图像分类结果。

（4）图像增强中的应用。其作用在于处理完图像之后，使之达到所需要的特定效果。对于不同类型的图像，应采取不同的处理方式，并没有标准公式，可通过人工神经网络的学习、自组织能力来完成这一工作[4]。与此同时，人工神经网络还被广泛应用于图像恢复、图像目标识别等方面。

3.2 遗传算法的应用

遗传算法最早由美国学者在20世纪70年代提出，其以大自然规律为依据来进行设计，基于达尔文生物进化论的自然选择和遗传学机理，形成了一种模拟自然进化过程的计算模型，并以此来寻找最优解。遗传算法在图像处理中应用，具有操作便捷的优势，可以直接处理图像并寻求最佳处理方案，获取最佳效果，能够规避许多问题。遗传算法具有一定的综合性，涉及多方面内容，在进行图像处理时，应当按照相关流程来执行，如开始后，会产生初始种群，计算适应度判断其是否变异。检验代次数是否达到最大值、适应度是否满足期望值，如果是则处理结束；如果不是，那么要再进行选择、交叉，重新计算适应度，然后再次进行判断；如果代次数、适应度仍然未达到最大值和期望值，则判断为变异；若达到，则处理结束。遗传算法在图像处理中的具体应用主要体现在以下几个方面。

（1）在图像增强中的应用。为了将变清楚的图像变得更加清晰，或是突出图像中的某些特征，以便对图像进行有效处理，就需要实施图像增强技术。常见的方式有两种：①空域法，直接通过灰度变换、平滑滤波等方式来处理原始图像；②频域法，变换原始图像，并在变换域中对其进行处理。遗传算法在图像增强中的应用，是寻求控制参数最优化的过程。需要根据需求选择适宜的参数模型，然后将问题转化为另一个模型，通过确定不同的参数，来实现统一的目标[5]。在模糊增强处理图像之后，创建出新的模型，通过遗传算法来选择灰度阈值。在设计应用过程中，可有效结合二进制编码和十进制编码的优势，提高搜索性，使种群更加稳定。遗传算法的应用优势在于能够提高处理效率，缩短处理时间，可对大图像库进行自动化处理，而且能保证对图像良好的增强效果。

（2）在图像恢复中的应用。所谓图像恢复，指的是将已经退化的图像恢复到原状。目前关于图像恢复的方法较多，常见的有维纳滤波法、最大熵恢复法。但由于图像退化的原因并不能直接使用函数来表达，导致在处理时面临着较大的计算量，难以确定退化函数。遗传算法对于灰度图像的恢复有着不错的效果，其能够编码一般染色体，形成二维矩阵，以各像素灰度值为元素，每一个染色体都代表着一幅图，对应着一个像素，这就能够列出个体的适应度函数并进行计算。采用遗传算法来进行图像恢复，有利于降低噪声影响，保证图像的平滑性，还能够防止其边缘出现条纹效应，保持良好的视觉效果，具有较强的全局搜索能力[6]。

（3）在图像重建中的应用。图像重建指的是基于某种观测背景下，通过恢复携带图像信息的数据来获取原始图像。将遗传算法应用于图像重建中，能够恢复有噪声的投影数据图像，随机抽取初始种群的染色体，列出适应度函数进行计算。另外，部分学者提供了遗传松弛迭代傅里叶变换算法，其能够处理图像重建过程中的停滞问题。目前这部分的应用还在进一步研究中，有待加强。

（4）在图像分形压缩中的应用。在进行图像分形压缩的时候，可用简单的代数关系式来表达，这组代数关系式中的各元素应当是具有相似性的几何体，以迭代函数系统、拼贴定理为理论。在处理过程中所合计到的值域块这一概念，指的是相互不重叠的图像小块，同时对应的概念是定义域块，指的是重叠较大尺寸的图像块。在编码值域块的时候，要寻找一个定义域块、一个仿射变换，找到定义域块和值域块两者之间的映射关系，然后利用遗传算法来寻找最优匹配方案。在图像分形压缩中使用遗传算法的优势在于大大提升了压缩比，使图像压缩精度更高，而且改善了信噪比，对于处理低比特率的图像压缩也有着不错的效果，而且能够缩短分形计算时间，但需要把控多个参数。

（5）在图像分割中的应用。图像分割需要将目标图像与其背景相分离，以便后续进行图像分类和识别工作。在使用遗传算法进行处理时，会遇到两种情况：一种是与当前常见的图像分割方法结合使用，搜索这些方法中的最佳计算参数；另一种则是在候选的分割空间内，搜寻最佳的分割方案。

（6）在内容图像检索中的应用。基于内容的图像检索，指的是基于图像中包含的色彩信息、形状信息、纹理信息、对象空间关系信息等，来创建图像的特征矢量，以此为图像索引来进行检索。可采取交互式遗传算法来处理图像检索问题，从交互过程中了解用户对染色体的评价，然后将用户评价作为适应度，来选择相应的图像。遗传算法在内容图像检索中的作用主要在于提取图像特征向量，找到图像本质信息，使图像检索更加方便、精确。

3.3 蚁群算法的应用

蚁群算法最早出现于1992年，其是一种用于寻找优化路径的概率型算法，具有分布计算特征，能够开展启发式搜索，获取信息正反馈。这一算法的灵感来自蚂蚁寻找食物、发现路径，用蚂蚁的行走路径表示等待优化问题的可行解决方案，蚂蚁群体的所有路径，组成了待优化问题的解空间。蚁群算法的优势在于具有较好的适用性，能够获取图像处理的最优值，高效切分图像，于最短时间内找到最佳的处理方案。蚁群算法在图像处理中的应用主要体现在以下几个方面。

（1）在图像分割中的应用。由于蚁群算法具有正反馈性、并行性和较好的离散性，因此将其应用于图像分割中能够取得不错的处理效果。可创设启发式引导函数，利用初始聚类中心解决计算量较大的问题，能够快速分割图像，寻找到目标。可在实施二维最大熵法的时候，使用蚁群算法，与之前的穷尽搜索方式相比，解答速率更高，而且精确度也比较好[7]。另外，还有部分学者在研究蚁群算法在图像分割中的应用时，提出了模糊C均值聚类图像分割算法，其优势在于能够精准确定聚类的个数，并且可搜索出最优值。

（2）在图像边缘检测中的应用。图像的边缘中存在着大量的图像信息，局部特征具有不连续性，而且灰度变化比相较于其他地方更为剧烈一些，边缘便是指代灰度急剧变化的图像边界区域。一般情况下有两种类型，一种是屋顶状边缘，另一种则是阶跃状边缘。传统的边缘检测方法主要有Canny算子、Sobel算子、基于灰度直方图的边缘检测等，蚁群算法同样可以用于边缘检测中，主要是利用该算法良好的局部极值处理能力，来确定FCM算法聚类数目，然后再据此来处理蚁群聚类，得到有效的处理结果。

（3）在图像分类中的应用。部分学者在研究过程中认为，在处理图像分类时，可以基于其特点引入分类蚁群模型，通过随机识别蚂蚁统计图像类别，然后据此来确定聚类中心。智能蚂蚁可以通过搜索前进策略，来对图像进行分类。这种图像分类方式的优点在于能够实现自动化分类，而且所需要的时间比较短，图像自动分类算法也更具通用性。与此同时，也有学者认为可以基于蚁群优化分类规则，来进行遥感图像分类，不需要统计分布参数，有利于提升遥感数据处理水平。

（4）在图像匹配中的应用。在进行图像匹配处理的时候，可以通过引入动态融合蚁群遗传算法来进行处理，尤其适用于多模医学图像配准中。其优势在于可寻找到最优变换参数，避免进行大量的重复性计算，配准率较高，而且具有不错的稳定性。

4 结语

总而言之，在图像处理过程中，应当充分利用人工智能算法，需针对图像处理的特点，来对不同的人工智能算法进行研究，使之有效运用于图像处理工作中，从而提高图像处理技术水平，保障图像处理效果。人工神经网络、遗传算法、蚁群算法都被广泛应用于图像增强、图像分类和识别、图像恢复、图像分割等方面，经过实践证明，取得了不错的成效，但还需要进一步加强研究。