人工智慧演算法在圖像處理中的應用

人工智慧演算法在圖像處理中的應用 人工智慧演算法包括遺傳演算法、蟻群演算法、模擬退火演算法和粒子群演算法等，在圖像邊緣檢測、圖像分割、圖像識別、圖像匹配、圖像分類等領域有廣泛應用。本文首先介紹常用人工智慧演算法的的原理和特點，然後將其在圖像處理方面的應用進行綜述，最後對應用前景做出展望。

人工智慧演算法是人類受自然界各種事物規律(如人腦神經元、螞蟻覓食等)的啟發，模仿其工作原理求解某些問題的演算法。隨著計算機技術的發展，人工智慧演算法在圖像處理方面得到廣泛應用。當前流行的人工智慧演算法包括人工神經網路、遺傳演算法、蟻群演算法、模擬退火演算法、粒子群演算法等。

1 人工神經網路 人工神經網路是一種模擬動物神經網路行為特徵，進行分散式並行信息處理的演算法數學模型，通過調整內部大量節點之間相互連接的關係，達到處理信息的目的，具有自組織、自學習、自推理和自適應等優點。 神經網路可用於圖像壓縮，將圖像輸入層和輸出層設置較多節點，中間傳輸層設置較少節點，學習後的網路可以較少的節點表示圖像，用於存儲和傳輸環節，節約了存儲空間，提高的傳輸效率，最後在輸出層將圖像還原。學者Blanz和Gish提出一個三層的前饋神經網路圖像分割模型，Babaguchi提出多層BP網路獲取圖像的分割閾值，Ghosh使用神經網路對大雜訊的圖像進行分割。J.Cao使用PCA神經網路提取圖像特徵來對圖像進行分類，B.Lerner用神經網路對人類染色體圖像進行分類。神經網路還可與小波變換相結合(MCNN)對手寫體數字進行多解析度識別。

2 遺傳演算法 遺傳演算法(Genetic Algorithm，GA)是模擬生物進化論的自然選擇和遺傳學進化過程的計算模型，是一種通過模擬自然進化過程隨機搜索最優解的方法，體現了適者生存、優勝劣汰的進化原則，其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定，具有並行性和較強的全局尋優能力。 遺傳演算法把問題的解表示成染色體，求解步驟如下:

(1)編碼:定義問題的解空間到染色體編碼空間的映射，一個候選解(個體)用一串符號表示。

(2)初始化種群:在一定的限制條件下初始化種群，該種群是解空間的一個子空間。

(3)設計適應度函數:將種群中的每個染色體解碼成適於適應度函數的形式，計算其數值。

(4)選擇:根據適應度大小選擇優秀個體繁殖下一代，適應度越高，選擇概率越大。

(5)交叉:隨機選擇兩個用於繁殖下一代的個體的相同位置，在選中的位置實行交換。

(6)變異:對某個串中的基因按突變概率進行翻轉。

(7)從步驟4開始重複進行，直到滿足某一性能指標或規定的遺傳代數。

GA在圖像分割領域應用最為成熟，只要有兩種應用，一是在多種分割結果中搜索最佳分割結果，二是搜索圖像分割演算法的最優參數，如用來確定圖像最佳分割閾值。Jin Cong等使用最小誤差概率做為適應度函數來搜索圖像最佳分割閾值，Lee SU將GA用於分割閾值計算，提高了分割效率，Bhanu使用GA在多個分割參數空間中搜索最優分割參數，提出了動態環境中圖像分割系統，大大提高了環境適應性，Jiang Tian-zhi使用GA搜索最優細胞輪廓模型參數，對高雜訊細胞圖像進行分割，Chun Dae N使用GA對灰度圖像的區域進行1/3頁模糊測量，搜索一最佳區域。GA在圖像增強方面的應用主要是搜索最優或次優控制參數的過程。GA在圖像恢復中的應用主要解決高雜訊圖像的恢復。在圖像壓縮中，GA能有效解決分形壓縮的最優匹配問題，提高了壓縮比和精度，可用於低比特率的圖像壓縮。GA在圖像匹配方面的應用主要解決速度問題，通過減少搜索位置的數量來減少計算量，提高效率。

3 蟻群演算法 蟻群演算法(Ant Colony，AC)是Dorigo於1992年提出，是一種在圖中尋找最優路徑的概率型演算法，其靈感來源於螞蟻覓食，通過在所經路徑上留下信息素來相互傳遞信息，信息素濃度較高的線路就會吸引更多的螞蟻，經過多次迭代，螞蟻就能找到蟻巢到食物的最短路徑，該演算法具有並行性、強魯棒性、正反饋性和自適應性，能用於解決大多數優化問題，在圖像分割、邊緣檢測、分類、匹配、識別等領域有重要應用。 韓彥芳等提出了基於模糊聚類和蟻群演算法相結合的圖像分割，通過設置啟發式引導函數和初始聚類中心減少演算法迭代次數，提高了分割效率，曹占輝等提出了基於蟻群演算法的二維最大熵分割方法，大大提高了收斂速度，楊立才等提出了一種基於蟻群演算法的模糊C均值聚類圖像分割方法。苗京等將蟻群演算法應用於動態模糊聚類提出圖像邊緣檢測方法，張景虎等提出一種新的基於蟻群演算法的CT圖像邊緣檢測方法，有較高精度和適應性。王樹根等提出基於蟻群演算法的遙感圖像分類方法，毛力等用分類蟻群模型對圖像進行自動分類，李峰等將蟻群演算法和小波理論相結合對紋理圖像進行分類。張石等將蟻群演算法和遺傳演算法相結合用於醫學圖像的配准，效率較高。燕忠等將蟻群演算法和支持向量機結合應用於男女人臉識別系統，取得良好效果，畢曉君等根據圖像紋理特徵，使用蟻群演算法對硬幣進行識別。趙德平等提出基於蟻群演算法的分形圖像的自動分類演算法，李海芳等蟻群演算法應用於圖像檢索中，對圖像情感進行聚類分析，段海濱等將蟻群演算法應用於多模板圖像融合中。

4 模擬退火演算法 模擬退火演算法(Simulated Annealing，SA)是由N.Metropolis於1953年提出，是基於Monte-Carlo迭代策略的一種隨機尋優演算法，來源於物理中固體退火原理，將固體加溫至充分高，再讓其冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最後在常溫時達到基態，內能減為最小，SA具有全局優化性能，在工程中得到廣泛應用。模擬退火演算法可以分解為解空間、目標函數和初始解三部分。 模擬退火的基本思想:

(1)初始化:初始溫度T(充分大)，初始解狀態S(是演算法迭代的起點)，每個T值的迭代次數L;

(2)對k=1，……，L做第(3)至第6步;

(3)產生新解S′;

(4)計算增量Δt′=C(S′)-C(S)，其中C(S)為評價函數;

(5)若Δt′0，然後轉第2步。

付宇光等使用SA解決了圖像配准中的連續變數全局優化問題，通過基於點的配准方法，實現了時間序列腦功能圖像的高精度配准，王罡等將SA應用於圖片優化排版系統中，趙於前等針對多閾值圖像分割Otsu演算法計算量過大的問題，提出了基於SA的閾值選取方法，大大提高了圖像分割速度，周龍等使用SA對模糊C均值聚類演算法進行改進，應用於糧蟲圖像分割中，取得較好效果，安建慧等將模擬退火演算法應用於圖像中漢字的識別中，取得滿意結果，李曉年將模擬退火演算法與遺傳演算法相結合應用在地圖自動著色系統中，劉凌子將模擬退火演算法與粒子群演算法相結合應用於圖像處理中，鄧平等使用模擬退火演算法對圖像進行自適應濾波，取得良好效果。

5 粒子群優化演算法 粒子群演算法(Particle Swarm Optimization，PSO)是一種進化計算技術，源於對鳥群2/3頁捕食的行為研究，在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。同遺傳演算法類似，是一種基於迭代的優化演算法。系統初始化為一組隨機解，通過迭代搜尋最優值，但它沒有遺傳演算法用的交叉和變異，而是粒子在解空間追隨最優的粒子進行搜索。同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整，廣泛應用於函數優化、神經網路、模糊控制等領域。

目前大多數人工智慧演算法還不是特別成熟，還在不斷的完善，而且隨著科學的發展還會有更多的智能演算法被發現，其在圖像處理方面的應用也在不斷深化，將多種智能演算法進行融合將是一個重要的發展方向。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！