基于大數據處理技術的深度學習算法的圖像處理優化技術研究

秦秀常

（貴州電子信息職業技術學院，貴州凱里，556000）

1 大數據處理技術、深度學習算法及圖像處理技術的特點

1.1 大數據處理技術的特點

大數據是計算機網絡發展的產物，是技術不斷創新和技術改革的又一次突破，給諸多領域帶來的影響也是深遠的，且價值是無法衡量的，對整個人類持續發展和生活提供了續航能力。其特點主要是數據量龐大、能夠快速、高效的完成分析和處理，結果給人類提供戰略決策參考。大數據處理技術能夠對不同類型的數據實時的、快速的處理和智能化分析，以便人類能夠及時的根據參考分析做出最快、最正確的決策。數據的種類、類型非常之多，主要是圖像、文本、網頁、音頻、視頻等諸多形式，而依托于計算機的處理能力，大數據處理技術對圖像的處理技術發展顯得額外重要，圖像作為信息傳遞過程中的重要載體，正在逐漸受到關注，相關處理圖像的技術也得到長足的發展，不斷的在大數據處理技術基礎上進行著革新。

1.2 深度學習算法

人工神經網絡的產生是基于深度學習算法能夠解決較為復雜的問題，是生物科技的發展和應用，在解決具體問題上產生了巨大的作用，在圖像處理中提取和識別環節進行了優化處理，使得圖像處理基礎得到了精益化。深度學習算法是在圖像處理的算法上進行了增強，進而對整體的圖像識別能力進行提升，圖像的分辨率的提升改觀了圖像的處理能力和視覺效果。其次，圖像處理過程中良好的去噪能力能夠提高圖像的識別效果。傳統的圖像信息受外界因素的影響，嚴重的影響圖像的處理和效果。基于深度學習算法一方面減少外界的影響因素干擾作用，另一方面采用算法在技術要求上進行除噪，二者結合達到圖像處理技術的精益過程，優化圖像的處理效果。深度學習在圖像處理技術領域發展是比較前衛的，其卓越的技術能力不斷引領著各個領域的發展進程。

1.3 圖像處理技術

圖像處理技術是基于計算機對圖像進行的圖像數字化、圖像增強和復原、圖像數據編碼、圖像分割、圖像識別的處理技術，常用的幾種基本方法有點式處理、組處理、幾何圖形處理、幀處理。將獲得的圖像信息通過處理技術轉換為數字信息，借助計算機軟件對圖像進行處理，經常用于使用計算機處理圖像的主要任務包括采用特定的分類標準來對圖像進行分類、壓縮圖像、提高圖像質量以及提取圖像特征。圖像處理技術與常規圖像處理技術有很大的不同，因為它可以改善圖像質量的清晰度并識別和提取圖像內容的特征。作為人工智能技術應用的關鍵領域，當前的圖像處理技術包括多種學科的交集，包括識別、視覺、多媒體技術和其他學科。這將使圖像識別技術在未來的指紋識別和車輛檢測等領域成功應用，從而提高人們的生產和生活便利性。

2 圖像處理優化技術之人工神經網絡算法技術

2.1 人工神經網絡算法

人工神經網絡是基于人類神經工作原理發展而來，由數量龐大的神經元連接而成，利用了其能夠快速處理的特性，每個神經元具有簡單、高效的計算能力，但是連接到一起就凸顯了短時間內進行龐大數據處理的能力，高效完成計算機需要復雜計算的數據處理。此外，人工神經網絡的數據儲存能力異常強悍，造就了其具有很強的數據信息處理能力，在信息缺失情況下仍然能依托聯想思維使用儲存的數據，并最終得到完整的圖像，極強的識別能力使其擁有無限的發展潛力。這是現代科學與生物科學結合的成果，模擬大腦神經網絡結構，模擬大腦神經的的記憶原理，進而發展而成的算法技術，即使某一個或者幾個神經元損壞之后，仍然能夠依據其記憶和處理能力對圖像進行識別，而且比較接近完成圖像。

2.2 人工神經網絡的特點

大量基本神經元組成的人工神經網絡，各個單元相互連接而成的系統是非線性動態系統，盡管單個神經元簡單，組成的系統卻能夠進行非常復雜的計算和分析，在原理和功能上接近人腦。人工神經網絡具有極強的學習能力和總結能力，能夠在日常的計算或者識別過程中不斷的進行自我分析和總結，經過一些訓練后能夠實現自己發現環境特征和規律的能力，就像人類的大腦一樣會思考分析。其次，是對一些為接觸的、陌生的信息可以實現分析和預測，圖像處理中會涉及除噪等干擾因素，人工神經網絡可以輕松的實現排除干擾因素而處理圖像的能力，人工神經網絡是會思考的。

2.3 人工神經網絡在圖像處理技術中的應用

圖形識別是人類視覺系統的重要部門，需要在圖像處理過程中保持圖形的完整性，而圖像處理技術也恰恰是利用了圖形識別的特性開發出圖像優化處理技術，使得圖像在識別處理技術上得到的精益化。神經網絡圖像數據壓縮系統圖像數據壓縮能夠將圖像信息進行壓縮處理，以方便儲存和傳輸，在使用時可以接收完圖像之后予以恢復。圖像分割對于傳統圖像處理技術來說是很難的，將我們需求的圖像部分和不需要的部分進行分割，有效的在外界因素干擾下提取目標圖像。無論哪種處理技術都是運用了生物神經網絡原理，利用非線性神經元之間的復雜工作過程模仿人腦對信息的處理過程，人工神經網絡技術的成功驗證了該技術方向發展的可行性及應用價值。其智能識別的能力是最大優點，而且能夠在某些神經元損壞的情況下依舊可以進行復雜的圖像處理，其也是人工智能在應用上成功的技術，奠基了人工智能圖像處理優化技術的基礎。

3 圖像處理優化技術之粒子群算法

3.1 粒子群算法技術

粒子群算法是模仿群鳥捕食的過程，在特定的區域內有一群鳥隨機搜索未知食物，食物只有一塊。從這種模式中得到啟發，優化問題的方法代表一個粒子，每一個粒子有自己的優化函數，憑借飛行速度所有粒子在該區域中尋找優化問題的方法，在尋找過程中每個粒子通過不斷的學習優化自己的行為。每個粒子找到最優解后，在所有最優解中存在一個極優解，所有的粒子會改變自己的速度和方向，朝著極優解位置移動。粒子群算法在開始的時候只是一群隨機飛行的粒子，粒子在飛行的過程中不斷優化，根據極優解和自己的位置不斷調整自己的位置，進而調整自己的飛行方向。

3.2 粒子群算法的特點

在運行過程中，首先對粒子群進行初始化，賦予每個粒子隨機的速度和方向對優化算法進行尋找，沒有交叉或者變異的過程，在尋找過程中不斷將找到的最優解分享給各個粒子，且不需要調整復雜的參數，結構和原理非常簡單。該算法具有不確定性，借鑒了自然界的生物的機制，在尋找極優解方面相對確定性算法要優化很多。作為概率型優化算法，能夠找到全局的極優解，但是由于粒子速度逐漸衰減、收斂會導致結果是局部的。在尋找極優解過程中體現了各個粒子之間的信息交互，并且能夠及時修正粒子群的位置和方向。此外，表現除了極強的記憶能力和學習能力，對整個行為過程的修正做出最優判斷。此種算法能在不同環境下運行，而且行之有效，但是在粒子群算法的理論發展稍緩慢，不足以支撐其收斂的精確計算。

3.3 粒子群算法在圖像處理技術中的應用

該方法目前被廣泛應用在模式識別和圖像處理技術上，能夠實現圖像分割、校準、融合、壓縮、合成等方面，效果顯著且高效。圖像分割和處理是圖像處理技術中的重點步驟，是處理復雜圖像的基礎技術，對目標和背景進行分割，同時考慮像素的色調信息和區域信息，使得分割的過程更加高效精準，粒子群算法解決了圖像處理分割耗時長的缺點。此外，圖像采集過程中由于受到大氣等外界環境因素的影響導致圖像模糊，導致圖像信息不能進一步分析和理解，那么模糊圖像復原就成為了圖像處理的困難領域之一。通過粒子群算法能解決圖像采集過程中散焦模糊和運動模糊造成的圖像模糊恢復清晰問題，解決了圖像退化的問題，使得圖像更加接近實景。相對其他算法的應用，該算法具有需要輸入的變量簡單、易操作，最重要的是高效，在很多領域都有應用案例，基于其能夠簡易化復雜的、數量龐大的圖像處理應用起來得心應手，與其他算法可以融合使用，是圖像處理優化技術中兼容性很好的算法。

4 圖像處理優化技術之圖像匹配算法

4.1 圖像匹配算法

是通過對圖像信息、灰度的特點對比進行圖像查找，圖像前期處理、獲得相關信息、進行匹配查找幾個主要步驟進行圖像搜索。運用匹配的方法尋找最優解，其尋找效率主要取決于圖像的特征、搜索的區域、搜索的規則、相似圖像的識別幾個因素，同時要滿足匹配精度高、速度快、穩定性好，圖像搜索技術作為圖像匹配算法的基礎條件。此外，SIFT算法和粒子群算法給圖像匹配提供了重要的理論支持，SIFT算法主要的作用是對圖像信息進行第一次處理，甄選出更加突出的特點信息，進而減少匹配失敗的發生，同時利用粒子群算法進行搜索，最終匹配到最優的圖像。在SIFT算法進行處理時，將特征向量提取出來，在匹配目標圖像過程中，獲取位置、尺寸等特征的固定值確定為SIFT的特征信息，具備抗干擾、高效的特征。

4.2 圖像匹配算法的特點

一種方法是基于灰度匹配，一種是基于特征匹配，特征匹配是在對圖像進行初步處理，對圖像的特征進行提取，而后通過粒子群算法在提取特征的準則下進行匹配，過程中涉及點、邊緣、線條的特征匹配，更加容易匹配到最優解，同時排除外界干擾因素，對灰度的變化、形狀的變化和遮擋物有較強的識別能力，因此其能夠實現高效的匹配任務。基于灰度描述、特征描述、關系描述的變量進行提取的特征更具突出作用，在圖像匹配過程中再結合粒子群算法進行效率精益化，同時也要對匹配到的圖像進行智能識別，通過三個變量進行校正，不斷的排除非最優解，也通過離子群的聯系方式進行溝通交流，在區域內最終快速的完成圖像匹配最優解的結果，這也是匹配算法被廣泛應用的主要特點之一。

4.3 圖像匹配算法的應用

圖像匹配算法在軍事、網絡、工業、醫學等諸多領域得到應用，以其優異的特性不斷的開拓這應用領域。其是處理圖像技術的關鍵組成，其發展相對成熟，理論基礎相對扎實，匹配最優解的效果相對突出，打下了堅實的應用基礎。SIFT算法對提取的特征進行了初步的處理，縮放、平移等并不改變這些圖像的特征，同時對視角和灰度進行凸顯，并對特征進行優化、升華為主要凸顯特征。結合粒子群算法進行了雙向優化提高效率，使得其能夠不斷擴展應用領域，實現圖像處理匹配效果。在很多加工流水線上就應用了此項技術，在精確定位和對準方向方面能夠實現快速作業，提高了自動線生產線的效率。圖像匹配算法應用的普及性更加強，幾乎涵蓋各個領域，與其圖像處理的效率是分不開的，該技術已經發展足以支撐其熟練應用，排除相似尋找到最優解方面爐火純青。

5 結語

大數據的支持下圖像處理技術不斷得到精益化，但是卻產生了新的問題難以解決，文章基于深度學習算法解決這些癥結，從而達到圖像處理優化技術的再一次精益化，為圖像處理技術的更多領域應用提供支撐。首先是巨量信息存儲問題，利用人工神經網絡技術實現大量數據的壓縮，并且實現快速傳輸，在接收階段通過實際需求選擇如何釋放壓縮，是生物科技發展應用的延伸，有效的實現了圖像處理優化技術的精益化，也打開了仿生物技術應用的大門，為未來生物科技的應用創造了良好的開端。其次是粒子群算法解決了快速處理復雜圖像處理的過程，其利用粒子之間的聯系與記憶功能，實現了短時間尋求最優解的過程，并且輸入變量及其少，非常適合受外界環境干擾的圖像處理優化過程。圖像匹配算法是在粒子群算法的基礎上進行了優化處理，主要使用SIFT算法的工作原理，對復雜圖像進行特性提取，作為變量以粒子群的工作方式高效的完成復雜圖像的處理。幾種算法都實現了圖像處理技術的優化，不同的是理論基礎不同和實現原理不同，未來的圖像處理優化技術仍需發展，更加高效、優質的技術有待挖掘。