王玉娟　張?！⊥跸葒∨酥竞?/p>

摘要：圖像處理應(yīng)用的人工算法主要有四種： 與遺傳學(xué)相關(guān)的遺傳算法、由固體退火原理演變而來的模擬退火算法、由螞蟻覓食現(xiàn)象演變出來的蟻群算法和鳥群捕食行為演變出的粒子群算法。本文首先介紹常用的人工智能算法基本原理和特點，并對這幾種人工智能算法在圖像處理方面的應(yīng)用進(jìn)行一定的概述， 最后對人工智能算法的應(yīng)用前景進(jìn)行一定的展望。

關(guān)鍵詞：人工智能算法；圖像處理；遺傳算法；模擬退火算法；蟻群算法；粒子群算法

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）19-0208-02

人工智能算法主要是人們對自身總結(jié)出的一些自然界規(guī)律進(jìn)行一定的模仿然后將其轉(zhuǎn)化成為一些求解某些問題的算法。在當(dāng)前計算機技術(shù)不斷站的背景之下人工智能算法的應(yīng)用在一定程度上實現(xiàn)了更好地對圖像進(jìn)行處理的效果，下面我們就對這些具體的人工智能算法進(jìn)行一定的概述。

1 人工神經(jīng)網(wǎng)絡(luò)

如圖所示，人工也屬于人們對動物神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬的行為特征，運用分布式并行信息處理的算法構(gòu)建起一個數(shù)學(xué)模型后通過對模型內(nèi)部的大量節(jié)點之間的相互連接關(guān)系進(jìn)行一定的調(diào)整實現(xiàn)對信息進(jìn)行處理的目的，人工神經(jīng)網(wǎng)絡(luò)在一定程度上體現(xiàn)出了一定的自組織性，并且其具有自學(xué)習(xí)和自適應(yīng)以及自推理等優(yōu)點。

神經(jīng)網(wǎng)絡(luò)計算法在應(yīng)用到圖像處理過程中時主要是用來對圖像進(jìn)行壓縮，在圖像輸出層和輸入層之間、中間傳輸層中分別設(shè)置較多和較少的節(jié)點，通過神經(jīng)網(wǎng)絡(luò)計算法的應(yīng)用能夠?qū)崿F(xiàn)利用較少的節(jié)點來表示出圖像并將圖像應(yīng)用于儲存和傳輸環(huán)節(jié)，這種方法能夠在一定程度上節(jié)約儲存的空間，并且有效地提高傳輸效率，通過這種方法能夠?qū)崿F(xiàn)圖像在輸出層的還原。

2 遺傳算法

上圖的關(guān)系可以看出遺傳算法在一定程度上所展現(xiàn)的也是人們在對生物進(jìn)化論的自然選擇和遺傳學(xué)進(jìn)化過程進(jìn)行的總結(jié)而構(gòu)建起來的模型，遺傳算法是一種通過對自然進(jìn)化進(jìn)行一定的模擬，然后利用模擬出來的計算方法對最優(yōu)解的方法進(jìn)行隨機搜索的過程，與進(jìn)化原則中的適者生存和優(yōu)勝劣汰的原則是遺傳學(xué)計算方法流程構(gòu)建的基礎(chǔ)。遺傳算法的主要特點在于運用這種計算方法是直接作用于結(jié)構(gòu)對象之上的，隨后再對結(jié)構(gòu)對象進(jìn)行操作，這個操作過程不會受到求導(dǎo)函數(shù)連續(xù)性的影響和限定。

應(yīng)用遺傳法對問題進(jìn)行求解的過程可以按照下面的步驟進(jìn)行：

2.1 編碼

將問題的求解空間映射成為染色體編碼空間，每一個候選解都要有特定的符號進(jìn)行表示。

2.2 初始化種群

這個環(huán)節(jié)需要在一個特定的限制條件之下對種群進(jìn)行初始化，初始化種群屬于解空間中的一個獨立的子空間。

2.3 設(shè)計適應(yīng)度函數(shù)

對種群中的每一個染色體都進(jìn)行合理的解碼之后將染色體都解碼成為符合適應(yīng)度函數(shù)的形式，最后再根據(jù)前面的這些環(huán)節(jié)對其數(shù)值進(jìn)行計算。

2.4 選擇

結(jié)合適應(yīng)度的大小對優(yōu)秀個體進(jìn)行選擇，然后繁殖下一代，我們要注意的是適應(yīng)度越高其選擇的概率就越大。

2.5 交叉

隨機選擇出兩個用來繁殖下一代的個體，對這兩個個體的相對位置進(jìn)行交換。

2.6 變異

按照變異概率對某個串中的基因進(jìn)行合理的翻轉(zhuǎn)。

從選擇步驟開始，如果某一個步驟不符合計算的要求就重復(fù)進(jìn)行，直到滿足某一性能指標(biāo)或者規(guī)定的遺傳代數(shù)之后再進(jìn)行計算。

遺傳算法主要是應(yīng)用在對圖像進(jìn)行分割的環(huán)節(jié)。對多種分割結(jié)果中對最佳的分割結(jié)果進(jìn)行搜索以及對圖像分割算法中的最優(yōu)參數(shù)進(jìn)行搜索的時候人們大都會選擇遺傳算法。

3 蟻群算法

由上面這個蟻群算法的基礎(chǔ)模型我們可以發(fā)現(xiàn)這一種計算方法主要是用來在圖像中尋找最優(yōu)路徑的概率型計算方法，這種算法的靈感主要來自人們對螞蟻覓食現(xiàn)象的觀察。蟻群算法可以在所經(jīng)的路徑上留下一些信息素用來進(jìn)行相互之間進(jìn)行信息的傳遞，當(dāng)某一條路徑上的濃度明顯高于其他的路徑的時候這條路徑就會吸引到更多的螞蟻，在多次迭代之后螞蟻可以找到食物到蟻巢之間距離最短的路線。蟻群算法在一定程度上體現(xiàn)了正反饋性、強魯棒性和自適應(yīng)性以及并行性。應(yīng)用其群算法能夠最大程度地實現(xiàn)對大多數(shù)問題的優(yōu)化，這種計算方法在對圖像進(jìn)行分割和對邊緣進(jìn)行檢測和識別等領(lǐng)域能夠發(fā)揮極為有效的功能。

涉及圖像處理技術(shù)研究的人都會了解韓彥芳提出的對蟻群算法和模糊聚類進(jìn)行結(jié)合的圖像分割方法，通過對啟發(fā)式引導(dǎo)函數(shù)進(jìn)行設(shè)置和對聚類中心進(jìn)行初始來減少算法出現(xiàn)迭代的次數(shù)。

4 模擬退火算法

模擬退火算法是一種采用隨機方法對最優(yōu)解進(jìn)行探索的計算方法，這種計算方法建立在迭代策略基礎(chǔ)上并且來自物理學(xué)中的固體退火原理，在將固體的溫度加熱到足夠高的時候在對其進(jìn)行冷卻，加溫的過程中在固體內(nèi)部粒子溫度不斷升高的過程中這些內(nèi)部粒子會呈現(xiàn)出一種無序狀的狀態(tài)并且固體的內(nèi)能會出現(xiàn)增大的情況，在對固體進(jìn)行冷卻的時候內(nèi)部的粒子會逐漸轉(zhuǎn)變成一種有序的形態(tài)，在固體的內(nèi)部粒子的溫度都達(dá)到一種平衡狀態(tài)的時候會在常溫的狀態(tài)下達(dá)到一種極為穩(wěn)定的基態(tài)，這個時候的內(nèi)能達(dá)到最小的狀態(tài)。模擬退火算法能夠?qū)θ诌M(jìn)行一定的優(yōu)化，可以在工程中得到較為廣泛的應(yīng)用。模擬退火算法的基本思想為：

1） 初始化過程：保證初始溫度T處于充分大的狀態(tài)，以初始狀態(tài)S為算法迭代的起點，以L來表示在每個T值情況下的迭代次數(shù)；

2）對K=1，2，……，L做第三步到第六步的流程；

3） 產(chǎn)生新解S，；

4） 對增量△t，進(jìn)行計算，△t，=C（S，）-C（S），式子中的C（S）屬于評價函數(shù)；

5） 如果增量小于0的時候，S，為正解，作為當(dāng)前解，如果增量大于或者等于0，那么以概率exp（-△t，/T）接受S，作為當(dāng)前的新解；

6） 如果不滿足終止條件就對該流程進(jìn)行反復(fù)操作， 滿足了終止流程就輸出當(dāng)前解，以這個解作為最優(yōu)解，然后結(jié)束程序。

7） 當(dāng)T出現(xiàn)逐漸減少的情況并且T-大于0的時候要轉(zhuǎn)到第二步進(jìn)行重復(fù)計算。

5 粒子群優(yōu)化算法

粒子群計算方法的出現(xiàn)主要是源于對于鳥群捕食行為的觀察和研究，這種算法以對鳥群集體捕食這一類動物集群活動的觀察作為基礎(chǔ)，選取群體中的一些個體的信息加以利用和改造，實現(xiàn)信息的共享能夠在一定程度上使問題求解空間中整個群體的運動由無序狀態(tài)向有序狀態(tài)進(jìn)行演變，在這個演變的過程中實現(xiàn)對最優(yōu)解的求得。這種算法的構(gòu)建與遺傳算法較為類似，是在迭代的基礎(chǔ)上構(gòu)建起來的優(yōu)化算法，利用迭代方式在系統(tǒng)初始出一些隨機解之后再通過最優(yōu)值進(jìn)行搜尋，但是需要注意的是這種計算方法沒用應(yīng)用遺傳算法中的交叉和變異方法，粒子群計算方法的主要目的在于通過搜索粒子來對解空間中的最優(yōu)粒子進(jìn)行確定。與遺傳算法在計算過程的方面進(jìn)行比較可以發(fā)現(xiàn)粒子群優(yōu)化算法能夠在一定程度上簡化計算過程，并且在計算的過程中不需要對太多的參數(shù)進(jìn)行調(diào)整。粒子群算法主要是用在函數(shù)優(yōu)化和模糊控制以及神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。

在粒子群算法被應(yīng)用于對圖像邊緣進(jìn)行檢測的過程中能夠在對梯度算子進(jìn)行優(yōu)化之后得出圖像的最佳邊緣，應(yīng)用這種算法能夠?qū)崿F(xiàn)對圖像細(xì)節(jié)邊緣丟失的問題進(jìn)行解決的效果。并且在應(yīng)用于圖像分割的時候能夠有效地提高分割的效果和分割的效率以及分割的精度。

6 結(jié)束語

受限于人們對于技術(shù)的了解和使用還不夠成熟人們對于人工智能算法的應(yīng)用水平還不夠，人工智能算法在科學(xué)的不斷發(fā)展過程中正在不斷完善。相信在未來的發(fā)展過程中會有越來越多的智能算法被總結(jié)出來。對當(dāng)前的一些已發(fā)現(xiàn)的算法進(jìn)行有效的融合是人工智能算法發(fā)展的趨勢。

參考文獻(xiàn)：

[1] 王弈，李傳富.人工智能方法在醫(yī)學(xué)圖像處理中的研究新進(jìn)展[J].中國醫(yī)學(xué)物理學(xué)雜志，2013，30（3）：4138-4143.

[2] 葛動元.面向精密制造與檢測的機器視覺及智能算法研究[D].廣州：華南理工大學(xué)，2013.

[3] 張莉.幾類神經(jīng)網(wǎng)絡(luò)的分析與優(yōu)化及其應(yīng)用研究[D].西安：西安電子科技大學(xué)，2012.

[4] 李作進(jìn). 基于視覺認(rèn)知的自然圖像目標(biāo)識別研究[D].重慶：重慶大學(xué)，2010.