摘要：本文簡要闡述人工智能及其本質，并分析圖像處理領域使用智能算法的意義，著重探究在圖像處理系統(tǒng)中應用的人工智能算法，包括人工神經(jīng)網(wǎng)絡、遺傳算法、蟻群算法、模擬退火、粒子群算法五種?？晒┫嚓P人士參考。

關鍵詞：人工智能算法;圖像處理;人工神經(jīng)網(wǎng)絡;遺傳算法

引言

人工智能算法是通過對自然界中的某些行為及規(guī)律加以分析，并對其展開模擬，最終得出對多種類型問題的解算。近幾年，在圖像處理方面，此類計算方式得到較好的應用，優(yōu)化了處理效果。

1 人工智能的實質

借助現(xiàn)代科學信息技術，使機器能夠對人類的思維以及行為進行模仿，實施此方面的開發(fā)研究旨在使人類的智慧融入到學術研究中，由此將人類的智慧借助機械得以拓展，并服務于人類。因而，人工智能和人類之間的差異在于其無法擁有獨立的感知，也無法進行獨立思考，進而不具備獨立分析并處理問題的能力。由此得出人工智能的實質為具備類似人的機器。

2 智能算法的應用價值

智能算法可以實現(xiàn)自我調節(jié)，以滿足所處的環(huán)境，具備較強的適應能力。在實施計算期間，相關個體存在不確定性，個體需要結合從自身以及其他方面得到的經(jīng)驗，在獲取最優(yōu)解期間實現(xiàn)數(shù)據(jù)共享，達到適應環(huán)境的效果。面對相對復雜的情況時，無需了解全部過程，僅需設定具體的目標函數(shù)，借助自適應的行為，搜索最優(yōu)解。圖像處理的部分算法可理解成為明確具體的目標函數(shù)，在既定圖像信息下的最優(yōu)解，屬于一項函數(shù)優(yōu)化。借助人工智能算法，可以在不改變圖像原本精度的前提下，縮減處理時長，借助智能化的概念在短時間內得到所需內容。近幾年，部分智能算法已然應用在圖像處理的多個環(huán)節(jié)中，取得較好的成績，由此展現(xiàn)出智能算法在圖像處理中使用的高效性、科學性等價值。

3 在圖像處理領域人工智能算法的應用

3.1神經(jīng)網(wǎng)絡

此種智能算法便是模擬動物神經(jīng)網(wǎng)絡行為特征形成的算法模型，主要特點在于能夠對數(shù)據(jù)內容的部分節(jié)點加以分析處理，篩選出最具價值的數(shù)據(jù)，基于此對圖像進行合理化的處理。該神經(jīng)網(wǎng)絡的優(yōu)勢在其本身能夠實現(xiàn)自主學習、獨立推理驗算且具備較高的環(huán)境適應性。對于圖像處理上的具體使用而言，在圖像壓縮處理中，設置具體的節(jié)點期間，各層級的節(jié)點數(shù)量不一，在圖像的輸出以及輸入兩個層級內的節(jié)點相對較多，而數(shù)據(jù)傳輸層級的階段偏少，為保證數(shù)據(jù)處理的有效性及合理性，需要保證輸入以及輸出層級的節(jié)點數(shù)量。人工智能算法的使用能夠為數(shù)據(jù)提供更多的儲存空間，且可直接進行傳輸，因而，在圖像處理領域中，應用智能算法能縮小圖像的占用空間，并提升相關行為的效率，能夠完整還原圖像信息。對于此方面的使用及研究，相關學者提出各自的見解，如借助多層BP網(wǎng)絡實現(xiàn)對圖像的處理;借助此神經(jīng)網(wǎng)絡對圖像實施分割處理;而圖像的分類方式是利用PCA提取數(shù)據(jù)特征;分類染色體圖像也同樣借助神經(jīng)網(wǎng)絡實現(xiàn)。除此之外，神經(jīng)網(wǎng)絡的分辨識別率較高，能夠較為精準地識別手寫的數(shù)字。

3.2遺傳算法

此智能算法是通過對生物進化的客觀選擇以及遺傳學對進化的闡述內容加以模擬，屬于一項借助模仿自然進化，得出最優(yōu)解的方式，其中體現(xiàn)出“物競天擇，適者生存”的觀念，其優(yōu)勢在于可以直接對具體的數(shù)據(jù)進行處理，不會受到既定目標函數(shù)的限制，因而其具備較強的整合力及并行性。其整個計算過程大致是產(chǎn)生初始種群，對種群的適應度加以估算，若結果未能達到期望值，則需進行下一步的選擇、交叉后，再次對其適應度加以計算，此次計算結果若仍未達到期望值，可判斷該種群變異，并繼續(xù)重復上述的環(huán)節(jié)。使用遺傳算法解決問題的過程包括以下幾個環(huán)節(jié)：

其一，編碼，按照求解空間形成專門的編碼空間，對應此問題的各個候選解都需使用特定的符號加以標記。

其二，初始化種群，在此環(huán)節(jié)中，則要在既定的限制環(huán)境中，對相應的種群實施初始化，其經(jīng)過初始化的種群作為問題解內的子空間，具有相對獨立性。

其三，根據(jù)問題需要設置適應度函數(shù)，在完成種群內各染色體的解碼后，要求解碼結果和既定適應度函數(shù)保持相同的形式，最終結合之前的步驟計算具體的數(shù)值。

其四，選擇，根據(jù)適應度的情況，以此為標準選擇個體，之后進行繁殖，需要關注的是，適應度與選擇概率呈同向變動的關系。

其五，交叉，在既定的種群中隨意選用兩個個體，進入繁殖程序，并交換所選個體的位置。

其六，變異，根據(jù)變異的概率對后者其中的某基因實施翻轉處理。

在整個遺傳算法的應用過程中，從第四步開始，若其中某一環(huán)節(jié)未能達到計算標準，便需開始二次計算，循環(huán)往復，直至得到滿足既定性能指標，或達到既定遺傳代數(shù)后，方可實施下一步的計算。該種智能算法適用于圖像分割處理，通常情況下，在從多項分割結果中獲取到最優(yōu)的方案和搜索分割算法內的最優(yōu)參數(shù)等處理期間，便會選用遺傳算法。近幾年，GA在圖像分割處理方面相對成熟，具體而言，一方面在大量的分割結果中選出最優(yōu)的分割結果;另一方面，對具體的參數(shù)進行搜索，以此得出最優(yōu)的分割閾值。通過誤差率看作特定的函數(shù)，以搜索出最優(yōu)值。另外，在GA中使用動態(tài)分割系統(tǒng)，有助于提升其對客觀條件的適應度。該算法可以在檢測圖像模糊度、噪聲圖像的處理、壓縮圖像、圖像匹配等環(huán)節(jié)中都能得到較好的結果。

3.3蟻群算法

該種智能算法是產(chǎn)生在上個世紀，其是對蟻群尋找食物的過程進行模仿，通常單只螞蟻無法快速并準確搜索到食物，但若是蟻群集體出動，互相幫助，便可以得出既定食物最近的路線，因而該智能算法一般應用在求取路線的問題上。其原理可被表述成：隨意選擇一定數(shù)量的螞蟻，之后每只螞蟻借助自身對所處環(huán)境的感知和信息素對食物的位置加以判斷，與此同時將自身攜帶的信息素釋放，并且信息素濃度會不斷下降，其他螞蟻則對獲取的信息素濃度情況判斷是否按照前者的路線行進。由此，搜尋食物的蟻群規(guī)模不斷過大，環(huán)境中的信息素濃度便會隨之提升，后續(xù)的螞蟻跟隨濃度相對更大的方向前進，通過此種方式，最終獲得最佳路線。部分較為復雜的組合問題解答，應用蟻群算法，可以得到較好的結果，例如二次分配等此類問題。近年來，對此智能算法的研究及應用具體表現(xiàn)為：以模糊聚類及蟻群為基礎，實現(xiàn)對圖像的分割處理，利用引導函數(shù)以及初始聚類，有效提升分割處理的效率;根據(jù)蟻群算法，提出均值聚類的分割方式。另外，在應用方面，將此種智能算法使用在動態(tài)的模糊聚類中，由此得到對圖像數(shù)據(jù)邊緣的測量方式，而CT邊緣檢測形式也是由蟻群算法而來。除上述的研究及應用外，還有借助分類蟻群實現(xiàn)自動分類;將此項算法與小波理論融合起來，能夠處理紋理圖像;此算法與上述的遺傳算法聯(lián)合使用，可以在醫(yī)學領域大展拳腳，提高圖像的比配精確度以及效率;此項智能算法與支持向量機相融合，能夠應用于通過人臉對性別的辨識，且準確度較高;結合圖像的紋理特點，通過蟻群算法實現(xiàn)對硬幣的辨識;基于此種智能計算方式，實現(xiàn)對圖形的分類;若想蟻群算法使用在圖像檢索環(huán)節(jié)中，同樣可以實現(xiàn)聚類分析;多模塊圖像的結合處理也有此類智能算法的身影。

3.4退火算法

模擬退火是一項借助隨機方式對最優(yōu)解加以探究的方式，此項計算方式是以迭代策略為前提，結合物理領域中的固體退火內容。在加熱過程中，當固體的溫度達到一定值后，對其實施冷卻處理，加溫期間，被加熱的固體內部的粒子溫度也會隨之提升，在此期間，固體中包含的粒子會表現(xiàn)出無序的狀況，同時其內能也會有所強化，而在冷卻過程中，固體內的粒子會由原本的無序逐漸轉變?yōu)橛行虻臓顟B(tài)，并且在溫度下降至某平衡值時，便會形成穩(wěn)定基態(tài)，相應的內能也達到最小值。該種算法的應用可以達到對整體的優(yōu)化處理，通常在工程項目中的應用較多，主要原理包括，對選定的固體實施加熱處理，確保其初始溫度達到極大值，之后便可對其開展降溫處理，在加熱期間，需嚴格把控既定的溫度，確保其處于相對恒定的狀態(tài)，不可出現(xiàn)明顯的溫度浮動，由此為實驗研究提供基礎保障，切實強化對圖像的處理效果及質量。實際的研究應用包括：借助SA，實現(xiàn)合理調整圖片排版;使用SA閾值選取方式，在圖像分割處理中的有效應用，可以提升處理的速度;圖像中包含的漢字內容，也可以利用此算法加以識別，并得到較好的結果;將此項算法和上述遺傳算法有效融合，可應用于地圖處理中，能夠實現(xiàn)自動著色;此項技術與下面即將要闡述的計算方式：粒子群算法，也可以相互融合應用在圖像處理系統(tǒng)中。

3.5粒子群優(yōu)化

該種算法屬于一項進化計算方式，靈感來源于鳥群的捕食，基于對鳥類群體行動的分析，借助其中某個體在群體內實現(xiàn)信息共享，引導全體的運動，在求解空間內形成由無序至有序的轉化，由此解出最優(yōu)解，其和上述遺傳算法有相似之處，同屬于迭代優(yōu)化的范疇。計算初始化中為隨機解，經(jīng)過迭代處理找出其中的最優(yōu)值。需要注意的是，該種計算方式與遺傳算法最大的差異在于其無交叉與變異環(huán)節(jié)，此過程中是粒子在特定空間內跟隨最佳粒子完成搜索。和遺傳算法相比，其環(huán)節(jié)較少，更為簡單，無需對大量的參數(shù)進行調整，由此，該項計算方式，主要應用在函數(shù)、模糊控制等方面。具體的研究應用包括：對于圖像邊緣的檢測，借助合理調整梯度算子，獲取邊緣的最優(yōu)值，在實際圖像處理中，可以避免出現(xiàn)具有價值的邊緣丟失;借助最大類間方差的方式實現(xiàn)對圖像的分割，切實強化分割處理的質量;以量子行為為基礎，將此項計算方式應用在壓縮處理上，最中呈現(xiàn)的壓縮質量好于上述的遺傳算法;對此項計算方法加以優(yōu)化，在圖像檢索中得到合理應用。

4 結束語

目前，在人工智能算法方面的研究及應用尚未成熟，需要在實踐及長期研究過程中加以完善。希望在不遠的將來，可以出現(xiàn)更多的智能算法，并切實得到良好應用。

參考文獻

[1]高毅，穆治亞，張群興，等.基于人工智能的足跡識別與特征提取[J].電訊技術，2020，60（07）：739-745.

[2]李桃.智能算法及其在圖像處理中的應用[D].西華師范大學，2019.

[3]王玉娟，張海，王先國，等.人工智能算法在圖像處理中的應用[J].電腦知識與技術，2018，14（19）：208-209+212.

[4]張薇.人工智能算法在圖像處理中的應用[J].通訊世界，2018（04）：63-64.

作者簡介

王佳，1987年1月，女，河南省周口市西華縣，研究生學歷，河南牧業(yè)經(jīng)濟學院信息工程學院，助教，人工智能、信息化教育。