劉士豪 姜博厚

摘要：新時(shí)期下，計(jì)算機(jī)網(wǎng)絡(luò)時(shí)代的到來，讓深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)成為社會(huì)討論的重點(diǎn)，并且在圖像處理領(lǐng)域中發(fā)揮除了極大優(yōu)勢(shì)。為了能夠進(jìn)一步發(fā)揮深度學(xué)習(xí)在圖像處理領(lǐng)域中的效用。該文首先提出圖像處理和深度學(xué)習(xí)的含義，進(jìn)而探究深度學(xué)習(xí)在圖像處理領(lǐng)域中的應(yīng)用。

關(guān)鍵詞：深度學(xué)習(xí);圖像處理;應(yīng)用;含義

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）06-0189-02

在信息時(shí)代下，數(shù)字圖像成為最為常見的信息載體，可以說社會(huì)生產(chǎn)、人類生活中都已經(jīng)充滿了數(shù)字圖像信息。信息技術(shù)的發(fā)展衍生出了大數(shù)據(jù)，讓數(shù)字圖像的產(chǎn)生速度、規(guī)模成幾何形式增長(zhǎng)，傳統(tǒng)技術(shù)已經(jīng)無法滿足圖像信息處理任務(wù)要求，社會(huì)更加迫切需要高效率、智能化的處理方案。對(duì)于圖像處理來說，特征表達(dá)是重中之重，傳統(tǒng)特征設(shè)計(jì)主要是人工完成，但由于過程十分復(fù)雜，對(duì)操作者自身要求非常高，所以自動(dòng)化的高效圖像處理是必然發(fā)展趨勢(shì)。深度學(xué)習(xí)作為新時(shí)期的新概念，更多是在數(shù)據(jù)當(dāng)中自動(dòng)提取多層次特征信息，采用了數(shù)據(jù)驅(qū)動(dòng)方法，通過相關(guān)的非線性轉(zhuǎn)換，在原始數(shù)據(jù)中提取多層特性，讓數(shù)字圖像更具表達(dá)力、泛化力，從而滿足圖像處理高效陛的發(fā)展要求。

1圖像處理技術(shù)

圖像處理是將圖像信息轉(zhuǎn)化為數(shù)字信息，從而更好地被計(jì)算機(jī)識(shí)別、處理的一項(xiàng)現(xiàn)代化技術(shù)。圖像處理大致上可以劃分為圖像分類、壓縮、增強(qiáng)、編碼、特征提取等一系列過程，為了保證圖像足夠清晰以及有效識(shí)別信息，圖像處理要有多方面技術(shù)支撐提高圖像分辨率與質(zhì)量。

人工智能技術(shù)的發(fā)展也促進(jìn)了圖像處理技術(shù)發(fā)展，這樣讓圖像處理技術(shù)在模式識(shí)別、機(jī)器視覺、多媒體技術(shù)等領(lǐng)域被廣泛應(yīng)用。智能技術(shù)的到來，讓圖像處理技術(shù)廣泛融人人們的工作與之中，如二維碼支付、車輛檢測(cè)、指紋識(shí)別等，不僅方便了人們生活，也讓人們對(duì)圖像處理質(zhì)量提出了更高要求。

2深度學(xué)習(xí)

深度學(xué)習(xí)是一種模仿人腦思考能力分析并解決問題的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，通過深度學(xué)習(xí)對(duì)文字、圖像、文本等信息進(jìn)行提取和識(shí)別的一項(xiàng)技術(shù)。

2.1發(fā)展背景

在20世紀(jì)50年代，國(guó)外就提出了神經(jīng)網(wǎng)絡(luò)的概念，但由于當(dāng)時(shí)缺乏網(wǎng)絡(luò)訓(xùn)練算法理論、訓(xùn)練樣本不足、計(jì)算機(jī)能力較差等影響，阻礙了神經(jīng)網(wǎng)絡(luò)進(jìn)一步發(fā)展。新時(shí)期下，大數(shù)據(jù)、云計(jì)算等技術(shù)等到來，計(jì)算機(jī)性能得到了大幅度提升，延緩了訓(xùn)練低效性，大幅度增加訓(xùn)練數(shù)據(jù)可以有效降低擬合風(fēng)險(xiǎn)，根據(jù)無監(jiān)督逐層訓(xùn)練策略和BP算法，讓深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練成為可能，這也讓人們開始重點(diǎn)關(guān)注深度學(xué)習(xí)。

本質(zhì)上深度學(xué)習(xí)模型就是深層的神經(jīng)網(wǎng)絡(luò)。整個(gè)系統(tǒng)為多隱層堆疊，每層都要處理上一層的輸出信息，將初始輸入、輸出關(guān)系不大的數(shù)據(jù)，轉(zhuǎn)變?yōu)楦泳o密的數(shù)據(jù)關(guān)系，這樣最后一層輸出映射難以完成的任務(wù)成為可能，我們也可以將這種學(xué)習(xí)模式稱之為“特征學(xué)習(xí)”。

2.2卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

圖像識(shí)別作為深度學(xué)習(xí)最早嘗試的方式，其中最為重要的就是卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)可以分為三個(gè)層級(jí)堆疊，包括卷積層、池化層、全連接層，不同層次有著不同的特性和作用。（1）卷積層。主要負(fù)責(zé)提取數(shù)據(jù)特征，通過輸入特征圖x以及K個(gè)二維濾波器，通過卷積運(yùn)算輸出K個(gè)二維特征圖。卷積運(yùn)算具有很大的優(yōu)勢(shì)，首先可以提取相鄰像素間的局部關(guān)系，其次是可以對(duì)圖像進(jìn)行平移、旋轉(zhuǎn)、尺度等變換具備一定魯棒性。（2）池化層。負(fù)責(zé)對(duì)卷積層輸出結(jié)果進(jìn)行處理，壓縮所輸出的特征圖，這樣可以降低特征圖體積，減少網(wǎng)絡(luò)計(jì)算復(fù)雜性，同時(shí)能夠讓特征圖更加精簡(jiǎn)，有助于提取主要特征，降低特征表達(dá)維度，還能夠?qū)︶槍?duì)較小平移、變形具有魯棒性。（3）全連接層。負(fù)責(zé)將所有特征連接起來，并將最終的連接結(jié)果（輸出值1傳輸給分類器。

2.3神經(jīng)網(wǎng)絡(luò)的優(yōu)化

在科學(xué)技術(shù)不斷發(fā)展中，神經(jīng)網(wǎng)絡(luò)模型層數(shù)也越來越深，增加了訓(xùn)練數(shù)據(jù)集，模型內(nèi)部結(jié)構(gòu)也變得十分復(fù)雜。網(wǎng)絡(luò)訓(xùn)練當(dāng)中通常都會(huì)涉及擬合、梯度消失、梯度爆炸等問題，因此相關(guān)學(xué)者也針對(duì)性提出了幾種神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法。首先，dropout優(yōu)化技術(shù)。該項(xiàng)技術(shù)能夠在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練當(dāng)中，對(duì)神經(jīng)網(wǎng)絡(luò)單元按照相關(guān)概率將其從網(wǎng)絡(luò)中暫時(shí)丟棄。這種丟棄是暫時(shí)性的，因此在使用隨機(jī)梯度下降方法訓(xùn)練網(wǎng)絡(luò)中，不同批量數(shù)據(jù)都在訓(xùn)練不同網(wǎng)絡(luò)。該項(xiàng)技術(shù)在很大程度上打破了節(jié)點(diǎn)之間的關(guān)聯(lián)性，提高了網(wǎng)絡(luò)學(xué)習(xí)的泛化性，避免出現(xiàn)過度擬合等問題。其次，批量標(biāo)準(zhǔn)化（BN算法）。GooSe在2015年提出了BN算法理論，可以對(duì)深層次神經(jīng)網(wǎng)絡(luò)訓(xùn)練。BN算法能夠規(guī)范所有層或某些層的輸入，固定每一層輸入信號(hào)均值和方差，這樣即可避免出現(xiàn)梯度消失或梯度爆炸等問題。

3深度學(xué)習(xí)在圖像領(lǐng)域中的應(yīng)用

3.1圖像識(shí)別

圖像識(shí)別領(lǐng)域最早應(yīng)用了深度學(xué)習(xí)技術(shù)，并且取得了非常高的成就，如早期都是AlexNet網(wǎng)絡(luò)，就是在圖像識(shí)別領(lǐng)域中的深層卷積神經(jīng)網(wǎng)絡(luò)，后續(xù)所發(fā)展的深度學(xué)習(xí)也都是以MexNet為基礎(chǔ)。AlexNet實(shí)現(xiàn)了CNN結(jié)構(gòu)的升級(jí)，網(wǎng)絡(luò)變得更寬、更深，整個(gè)MexNet網(wǎng)絡(luò)包括5個(gè)卷積層和3個(gè)全連接層。時(shí)至今日，在圖像識(shí)別領(lǐng)域MexNet依然占據(jù)著統(tǒng)治地位，也決定了圖像處理中深度學(xué)習(xí)的主題架構(gòu)，即所前饋卷積神經(jīng)網(wǎng)絡(luò)，特征提取器為卷積層、池化層相互堆疊而成，并和多層全連接層相互連接，分類器信息流方向固定而單一。其主要應(yīng)用表現(xiàn)在：

3.1.1網(wǎng)絡(luò)結(jié)構(gòu)局部修改

AlexNet發(fā)展下也衍生出了VGGNet網(wǎng)絡(luò)。相比最初的MexNet網(wǎng)絡(luò)，VGGN～網(wǎng)絡(luò)采用了多個(gè)小型卷積核串聯(lián)得加替換一個(gè)大型卷積核的方式。這樣不僅不會(huì)影響卷積效果，還增加了很多非線性操作，在網(wǎng)絡(luò)中提取更多、更豐富特征，減少了其中的參數(shù)量。VGGNet網(wǎng)絡(luò)也證明了網(wǎng)絡(luò)層次越深、特征越豐富，所得到的圖像識(shí)別效果越好。

NIN網(wǎng)絡(luò)再次對(duì)卷積核做出了調(diào)整，將單一線性卷積核轉(zhuǎn)化為多層感知機(jī)MLP。CNN高層特征主要是由低層特征多種運(yùn)算組合得到的結(jié)果，非線性運(yùn)算組合可以讓高層特征更具泛化性。MPL卷積核讓NIN中一次卷積操作相當(dāng)于之前多個(gè)卷積核操作的結(jié)果，所以在NIN網(wǎng)絡(luò)中可以用較少層數(shù)實(shí)現(xiàn)更深的網(wǎng)絡(luò)圖像識(shí)別效果。

這些創(chuàng)新和發(fā)展措施，可以有效地提高特征表達(dá)能力，提升了網(wǎng)絡(luò)深度或卷積層操作復(fù)雜化，但都是局部的改變，前饋卷積神經(jīng)網(wǎng)絡(luò)的主體架構(gòu)依然沒變，依然是單一的特征圖流向方式，一層連著一層，從而導(dǎo)致深層處理無法獲取淺層特征圖、淺層處理無法獲取深層傳來的梯度，網(wǎng)絡(luò)模型訓(xùn)練難度大。

3.1.2網(wǎng)絡(luò)結(jié)構(gòu)主體變化

為了解決局部變化帶來的負(fù)面影響，部分學(xué)者通過借鑒highway networks閥門控制信息流理論，提出了ResNet網(wǎng)絡(luò)模型，改模型徹底改變了特征信息流向，如第Y層輸出不再單一影響Y+I層，同時(shí)還會(huì)影響Y+2層，所以由兩層組成一個(gè)殘差學(xué)習(xí)塊，改變了學(xué)習(xí)目標(biāo)。ResNet網(wǎng)絡(luò)中由多個(gè)殘差塊堆疊組成，中間夾雜著池化層，訓(xùn)練中只需學(xué)習(xí)輸入、輸出差別，可以保障信息整體完整性，降低了學(xué)習(xí)難度、簡(jiǎn)化了學(xué)習(xí)目標(biāo)。

基于ResNet網(wǎng)絡(luò)還衍生出了DenseNet網(wǎng)絡(luò)，也是采用了類似殘差塊的方法，并且構(gòu)建了稠密塊。DenseNet網(wǎng)絡(luò)中，每層的輸出都之后層級(jí)的輸入，數(shù)據(jù)聚合應(yīng)用了拼接方法，并非是ResNet的相加方法，可以保障每組輸入特征圖維度保持一致性，這樣更有助于網(wǎng)絡(luò)信息交流。DenseNet網(wǎng)絡(luò)的出現(xiàn)，緩解了梯度消失情況，強(qiáng)化了特征傳播，簡(jiǎn)化了參數(shù)量。

這兩種圖像識(shí)別深度學(xué)習(xí)模型直接改變了特征信息流傳輸方向，可以實(shí)現(xiàn)跨層傳輸，并非是單一的前饋卷積神經(jīng)網(wǎng)絡(luò)，大大提升了圖像識(shí)別的精度，符合當(dāng)代人的思維模式，可以更好地識(shí)別物體。

3.2圖像取證

3.2.1簡(jiǎn)單遷移

圖像取證中應(yīng)用深度學(xué)習(xí)的研究相對(duì)較少，部分學(xué)者嘗試將深度學(xué)習(xí)融人相機(jī)源取證問題中，但是在獲取圖像中不同相機(jī)拍攝會(huì)遺留指紋特征，因此采用了AlexNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了學(xué)習(xí)，來提取了指紋特性，可以實(shí)現(xiàn)94%以上的相機(jī)模式分類精度。

3.2.2網(wǎng)絡(luò)輸入

圖像取證和識(shí)別之間的差異主要是在區(qū)分圖像內(nèi)容的差異性，并且這個(gè)差異可以直接用人眼看到，取證主要是用于區(qū)分圖像中微弱信號(hào)的操作指紋，形態(tài)差異非常小，無法用人眼直接看到。因此普通的深度學(xué)習(xí)模型難以勝任圖像取證。部分學(xué)者通過對(duì)深度學(xué)習(xí)模型進(jìn)行完善，以AlexNet網(wǎng)絡(luò)為基礎(chǔ)增設(shè)了預(yù)處理層，將取證指紋特征放大。通過改進(jìn)實(shí)驗(yàn)結(jié)果精度提升了7%。圖像取證難，必須改變網(wǎng)絡(luò)輸人，通過放大指紋特征，才能夠更好地發(fā)揮特征提取、分類器的價(jià)值。

3.2.3適應(yīng)取證結(jié)構(gòu)

圖像預(yù)處理作為取證的必要條件，額外增加預(yù)處理層也會(huì)讓整個(gè)模型變得臃腫，因此部分學(xué)者采用了一種隱寫分析取證的深度學(xué)習(xí)模型，在網(wǎng)絡(luò)結(jié)構(gòu)中整合了預(yù)處理。通過將30個(gè)空間模型濾波器初始化第一層卷積核，這樣卷積核就具備了預(yù)處理功能。雖然取證和識(shí)別是兩個(gè)方面，但學(xué)習(xí)模型簡(jiǎn)化也是必然發(fā)展趨勢(shì)。圖像取證上深度學(xué)習(xí)還處于初期發(fā)展階段，未來會(huì)有更多的適用于圖像取證的深度學(xué)習(xí)模型。

4結(jié)束語

綜上所述，圖像領(lǐng)域中的深度學(xué)習(xí)主要是以卷積神經(jīng)網(wǎng)絡(luò)為主，但在整個(gè)網(wǎng)絡(luò)模型中需要有龐大的計(jì)算量，增加了網(wǎng)絡(luò)訓(xùn)練時(shí)間，所以卷積運(yùn)算形式簡(jiǎn)化會(huì)是一大發(fā)展趨勢(shì)。再者，當(dāng)今圖像領(lǐng)域主要是研究灰度圖像，彩色圖像涉及較少，而將四元數(shù)與深度學(xué)習(xí)知識(shí)融合勢(shì)必會(huì)提取更加豐富的彩色圖像，進(jìn)一步實(shí)現(xiàn)圖像處理領(lǐng)域的一次突破。