曾光華，肖洋

銅仁職業(yè)技術(shù)學(xué)院，貴州銅仁，554300

0 引言

21世紀(jì)是處在信息時(shí)代的世紀(jì)，計(jì)算機(jī)信息技術(shù)日新月異，被廣泛應(yīng)用于各行各業(yè)中，與人們的生活、生產(chǎn)密不可分。人工智能算法是人們基于自身行為特點(diǎn)和思維模式，對已經(jīng)總結(jié)出的自然界規(guī)律進(jìn)行模仿，以便處理一些問題，其拓展了計(jì)算機(jī)的運(yùn)算功能，是計(jì)算機(jī)先進(jìn)性的體現(xiàn)。圖像處理是人們當(dāng)前所要面對的問題之一，人工方式的圖像處理任務(wù)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(yīng)用，來完成復(fù)雜而繁復(fù)的圖像處理工作，這有利于解放勞動力，促進(jìn)人們工作效率的提升，保障圖像處理質(zhì)量。因此，應(yīng)當(dāng)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(guān)內(nèi)容

人工智能是計(jì)算機(jī)科學(xué)的分支，屬于邊緣學(xué)科，是自然科學(xué)和社會科學(xué)的交叉，包含了多個(gè)領(lǐng)域的內(nèi)容，涉及多個(gè)學(xué)科，有神經(jīng)生理學(xué)、計(jì)算機(jī)科學(xué)、信息論、哲學(xué)與認(rèn)知科學(xué)等，是當(dāng)前科學(xué)研究的重要課題之一，其實(shí)際應(yīng)用包括但不限于智能控制、機(jī)器人學(xué)、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(xiàn)在以下幾個(gè)方面：①可替代人工作業(yè)，縮短工作時(shí)間，降低人工勞動成本，促進(jìn)圖像處理技術(shù)水平和效果的提升；②有利于解決傳統(tǒng)圖像處理技術(shù)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(zhǔn)；③可對圖像信息進(jìn)行預(yù)處理，具備良好的圖像自我分析能力[1]。

2 圖像處理的相關(guān)內(nèi)容

圖像處理是指利用計(jì)算機(jī)來處理圖像信息，包括但不限于圖像增強(qiáng)、圖像恢復(fù)、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(shí)時(shí)性，不足之處是精度不高，不具備良好的靈活性；②數(shù)字圖像處理，主要是利用計(jì)算機(jī)、實(shí)時(shí)硬件來進(jìn)行處理，其優(yōu)勢在于精度較高，可處理內(nèi)容較為豐富，且具有較好的靈活性，能夠應(yīng)對復(fù)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(yīng)用于人們生活中的各個(gè)領(lǐng)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(yīng)用

3.1 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

自20世紀(jì)80年代，人工神經(jīng)網(wǎng)絡(luò)就已經(jīng)成為人工智能研究領(lǐng)域中的熱門研究話題，其從信息角度出發(fā)，將人腦神經(jīng)元網(wǎng)絡(luò)抽象化，以此來創(chuàng)建簡單的模型，通過不同的方式進(jìn)行連接，組合成不同的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是一種全新的智能算法模型，能夠科學(xué)分析各個(gè)數(shù)據(jù)節(jié)點(diǎn)，并對其進(jìn)行有效的處理，篩選出高價(jià)值的數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)在圖像處理中有著良好的應(yīng)用，主要體現(xiàn)在以下幾個(gè)方面。

（1）圖像數(shù)據(jù)壓縮中的應(yīng)用。在進(jìn)行大量的圖片傳輸、儲存時(shí)，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(shí)，可根據(jù)相應(yīng)的規(guī)則恢復(fù)圖像，從壓縮圖像信息中提取原始圖像信息。人工神經(jīng)網(wǎng)絡(luò)在圖像數(shù)據(jù)壓縮中應(yīng)用，形成了專門的壓縮系統(tǒng)，主要由壓縮網(wǎng)絡(luò)、傳輸通道、再生網(wǎng)絡(luò)等部分組成，還涉及輸入層的學(xué)習(xí)模式，以及輸出層的教師模式，網(wǎng)絡(luò)學(xué)習(xí)中這兩者使用的圖像信號一致。中間層的單元數(shù)比輸入層、輸出層的單元數(shù)要少得多，學(xué)習(xí)后的網(wǎng)絡(luò)能夠用少量的中間層單元進(jìn)行圖像的傳輸和儲存[3]。

（2）圖像分割中的應(yīng)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(nèi)容，去除不需要的部分。人工神經(jīng)網(wǎng)絡(luò)在圖像分割中也有著不錯(cuò)的應(yīng)用，如可以使用三層前饋網(wǎng)絡(luò)來分割圖像，可根據(jù)每一個(gè)像素的輸入特征，來確定輸入層的神經(jīng)元數(shù)，利用多層BP網(wǎng)絡(luò)來獲取圖像的閾值。在實(shí)際應(yīng)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(yīng)用。在進(jìn)行圖像處理時(shí)，圖像分類和識別是其中的重要內(nèi)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(wù)；但如果正好相反，則需要通過科學(xué)識別來進(jìn)行圖像分類。人工神經(jīng)網(wǎng)絡(luò)在圖像分類中應(yīng)用時(shí)，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(dǎo)致計(jì)算量成倍遞增；但如果圖像分辨率過低，則難以準(zhǔn)確區(qū)分圖像類別?；诖耍谶M(jìn)行圖像分類時(shí)，需要對原始圖像進(jìn)行預(yù)處理，針對圖像的實(shí)際情況來提取其特征，并輸入到適宜的網(wǎng)絡(luò)模型中，以獲得準(zhǔn)確的圖像分類結(jié)果。

（4）圖像增強(qiáng)中的應(yīng)用。其作用在于處理完圖像之后，使之達(dá)到所需要的特定效果。對于不同類型的圖像，應(yīng)采取不同的處理方式，并沒有標(biāo)準(zhǔn)公式，可通過人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、自組織能力來完成這一工作[4]。與此同時(shí)，人工神經(jīng)網(wǎng)絡(luò)還被廣泛應(yīng)用于圖像恢復(fù)、圖像目標(biāo)識別等方面。

3.2 遺傳算法的應(yīng)用

遺傳算法最早由美國學(xué)者在20世紀(jì)70年代提出，其以大自然規(guī)律為依據(jù)來進(jìn)行設(shè)計(jì)，基于達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理，形成了一種模擬自然進(jìn)化過程的計(jì)算模型，并以此來尋找最優(yōu)解。遺傳算法在圖像處理中應(yīng)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(nèi)容，在進(jìn)行圖像處理時(shí)，應(yīng)當(dāng)按照相關(guān)流程來執(zhí)行，如開始后，會產(chǎn)生初始種群，計(jì)算適應(yīng)度判斷其是否變異。檢驗(yàn)代次數(shù)是否達(dá)到最大值、適應(yīng)度是否滿足期望值，如果是則處理結(jié)束；如果不是，那么要再進(jìn)行選擇、交叉，重新計(jì)算適應(yīng)度，然后再次進(jìn)行判斷；如果代次數(shù)、適應(yīng)度仍然未達(dá)到最大值和期望值，則判斷為變異；若達(dá)到，則處理結(jié)束。遺傳算法在圖像處理中的具體應(yīng)用主要體現(xiàn)在以下幾個(gè)方面。

（1）在圖像增強(qiáng)中的應(yīng)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(jìn)行有效處理，就需要實(shí)施圖像增強(qiáng)技術(shù)。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(jìn)行處理。遺傳算法在圖像增強(qiáng)中的應(yīng)用，是尋求控制參數(shù)最優(yōu)化的過程。需要根據(jù)需求選擇適宜的參數(shù)模型，然后將問題轉(zhuǎn)化為另一個(gè)模型，通過確定不同的參數(shù)，來實(shí)現(xiàn)統(tǒng)一的目標(biāo)[5]。在模糊增強(qiáng)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(shè)計(jì)應(yīng)用過程中，可有效結(jié)合二進(jìn)制編碼和十進(jìn)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(yīng)用優(yōu)勢在于能夠提高處理效率，縮短處理時(shí)間，可對大圖像庫進(jìn)行自動化處理，而且能保證對圖像良好的增強(qiáng)效果。

（2）在圖像恢復(fù)中的應(yīng)用。所謂圖像恢復(fù)，指的是將已經(jīng)退化的圖像恢復(fù)到原狀。目前關(guān)于圖像恢復(fù)的方法較多，常見的有維納濾波法、最大熵恢復(fù)法。但由于圖像退化的原因并不能直接使用函數(shù)來表達(dá)，導(dǎo)致在處理時(shí)面臨著較大的計(jì)算量，難以確定退化函數(shù)。遺傳算法對于灰度圖像的恢復(fù)有著不錯(cuò)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(gè)染色體都代表著一幅圖，對應(yīng)著一個(gè)像素，這就能夠列出個(gè)體的適應(yīng)度函數(shù)并進(jìn)行計(jì)算。采用遺傳算法來進(jìn)行圖像恢復(fù)，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(xiàn)條紋效應(yīng)，保持良好的視覺效果，具有較強(qiáng)的全局搜索能力[6]。

（3）在圖像重建中的應(yīng)用。圖像重建指的是基于某種觀測背景下，通過恢復(fù)攜帶圖像信息的數(shù)據(jù)來獲取原始圖像。將遺傳算法應(yīng)用于圖像重建中，能夠恢復(fù)有噪聲的投影數(shù)據(jù)圖像，隨機(jī)抽取初始種群的染色體，列出適應(yīng)度函數(shù)進(jìn)行計(jì)算。另外，部分學(xué)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(yīng)用還在進(jìn)一步研究中，有待加強(qiáng)。

（4）在圖像分形壓縮中的應(yīng)用。在進(jìn)行圖像分形壓縮的時(shí)候，可用簡單的代數(shù)關(guān)系式來表達(dá)，這組代數(shù)關(guān)系式中的各元素應(yīng)當(dāng)是具有相似性的幾何體，以迭代函數(shù)系統(tǒng)、拼貼定理為理論。在處理過程中所合計(jì)到的值域塊這一概念，指的是相互不重疊的圖像小塊，同時(shí)對應(yīng)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(shí)候，要尋找一個(gè)定義域塊、一個(gè)仿射變換，找到定義域塊和值域塊兩者之間的映射關(guān)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(cuò)的效果，而且能夠縮短分形計(jì)算時(shí)間，但需要把控多個(gè)參數(shù)。

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

（6）在內(nèi)容圖像檢索中的應(yīng)用。基于內(nèi)容的圖像檢索，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(guān)系信息等，來創(chuàng)建圖像的特征矢量，以此為圖像索引來進(jìn)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(jià)，然后將用戶評價(jià)作為適應(yīng)度，來選擇相應(yīng)的圖像。遺傳算法在內(nèi)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(zhì)信息，使圖像檢索更加方便、精確。

3.3 蟻群算法的應(yīng)用

蟻群算法最早出現(xiàn)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(jì)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(xiàn)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(shí)間內(nèi)找到最佳的處理方案。蟻群算法在圖像處理中的應(yīng)用主要體現(xiàn)在以下幾個(gè)方面。

（1）在圖像分割中的應(yīng)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(yīng)用于圖像分割中能夠取得不錯(cuò)的處理效果?？蓜?chuàng)設(shè)啟發(fā)式引導(dǎo)函數(shù)，利用初始聚類中心解決計(jì)算量較大的問題，能夠快速分割圖像，尋找到目標(biāo)。可在實(shí)施二維最大熵法的時(shí)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(xué)者在研究蟻群算法在圖像分割中的應(yīng)用時(shí)，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(zhǔn)確定聚類的個(gè)數(shù)，并且可搜索出最優(yōu)值。

（2）在圖像邊緣檢測中的應(yīng)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(tǒng)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(shù)目，然后再據(jù)此來處理蟻群聚類，得到有效的處理結(jié)果。

（3）在圖像分類中的應(yīng)用。部分學(xué)者在研究過程中認(rèn)為，在處理圖像分類時(shí)，可以基于其特點(diǎn)引入分類蟻群模型，通過隨機(jī)識別螞蟻統(tǒng)計(jì)圖像類別，然后據(jù)此來確定聚類中心。智能螞蟻可以通過搜索前進(jìn)策略，來對圖像進(jìn)行分類。這種圖像分類方式的優(yōu)點(diǎn)在于能夠?qū)崿F(xiàn)自動化分類，而且所需要的時(shí)間比較短，圖像自動分類算法也更具通用性。與此同時(shí)，也有學(xué)者認(rèn)為可以基于蟻群優(yōu)化分類規(guī)則，來進(jìn)行遙感圖像分類，不需要統(tǒng)計(jì)分布參數(shù)，有利于提升遙感數(shù)據(jù)處理水平。

（4）在圖像匹配中的應(yīng)用。在進(jìn)行圖像匹配處理的時(shí)候，可以通過引入動態(tài)融合蟻群遺傳算法來進(jìn)行處理，尤其適用于多模醫(yī)學(xué)圖像配準(zhǔn)中。其優(yōu)勢在于可尋找到最優(yōu)變換參數(shù)，避免進(jìn)行大量的重復(fù)性計(jì)算，配準(zhǔn)率較高，而且具有不錯(cuò)的穩(wěn)定性。

4 結(jié)語

總而言之，在圖像處理過程中，應(yīng)當(dāng)充分利用人工智能算法，需針對圖像處理的特點(diǎn)，來對不同的人工智能算法進(jìn)行研究，使之有效運(yùn)用于圖像處理工作中，從而提高圖像處理技術(shù)水平，保障圖像處理效果。人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、蟻群算法都被廣泛應(yīng)用于圖像增強(qiáng)、圖像分類和識別、圖像恢復(fù)、圖像分割等方面，經(jīng)過實(shí)踐證明，取得了不錯(cuò)的成效，但還需要進(jìn)一步加強(qiáng)研究。