基于卷積神經(jīng)網(wǎng)絡(luò)的圖像精度深度優(yōu)化

蔣 平

(安徽開放大學(xué) 開放教育學(xué)院，合肥 230022)

在日常生活中，人類通過視覺系統(tǒng)得到大部分信息，這些信息屬于圖像信息，所以圖像是人類感知世界的重要載體。隨著移動互聯(lián)網(wǎng)的不斷普及，網(wǎng)絡(luò)上的圖像信息呈指數(shù)型上漲，形式也變得更加多種多樣。越來越多的圖像信息被以數(shù)字化的方式存儲到互聯(lián)網(wǎng)中，圖像來源不斷廣大，圖像種類日益增多。在計算機視覺應(yīng)用領(lǐng)域，圖像精度優(yōu)化在圖像處理中占有重要位置，圖像精度優(yōu)化效果好，會對目標(biāo)識別、圖像識別以及場景解析等工作起到非常重要的幫助。為挖掘出圖像中有價值的信息，需要對圖像精度深度優(yōu)化，以便進一步加工處理。目前，已有較多關(guān)于優(yōu)化圖像精度的方法，但因為其復(fù)雜性，有很多問題需要解決，并沒有一個通用的評價標(biāo)準。傳統(tǒng)的圖像精度深度優(yōu)化方法優(yōu)化效果較差，優(yōu)化后的圖像精度難以滿足實際應(yīng)用需求，因此對圖像精度深度優(yōu)化方法更進一步的研究具有重要的實際意義，為此設(shè)計一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像精度深度優(yōu)化方法。經(jīng)過實驗證明，此次設(shè)計的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像精度深度優(yōu)化方法比傳統(tǒng)優(yōu)化方法優(yōu)化后的圖像精度高，滿足了圖像精度優(yōu)化方法的設(shè)計目的，解決了傳統(tǒng)方法優(yōu)化精度差的問題。

1 圖像精度深度優(yōu)化方法設(shè)計

為了解決傳統(tǒng)的圖像精度深度優(yōu)化方法優(yōu)化后的圖像精度仍然較差的缺陷，設(shè)計一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像精度深度優(yōu)化方法。該方法的整體設(shè)計流程如圖1所示。

圖1 整體設(shè)計流程

1.1 圖像目標(biāo)區(qū)域特征提取

采用目標(biāo)監(jiān)測方法提取圖像目標(biāo)區(qū)域特征，目的是對圖像中的最優(yōu)目標(biāo)定位，映射出目標(biāo)區(qū)域的圖像特征，用其表示圖像信息。利用深度學(xué)習(xí)框架生成多個特征圖以對圖像的原始特征進行提取，其原理如圖2所示：

圖2 圖像特征提取原理

圖像特征提取如圖2所示，圖像提取過程中會生成多個特征圖[1]，以為目標(biāo)分類和位置回歸做準備。在上述過程中會生成多個邊框，為了達到更好的效果，對損失函數(shù)進行改進，目的是為了更準確地識別出圖像目標(biāo)屬性。在該過程中涉及到3個相關(guān)的代價函數(shù)[2]：目標(biāo)區(qū)域中物體分類的代價函數(shù)、邊界框位置的代價函數(shù)、目標(biāo)屬性分類代價函數(shù)。

其中目標(biāo)區(qū)域中物體分類的代表函數(shù)表示為：

為遵循多任務(wù)損失定義，計算圖像邊界框位置的代價函數(shù)，表達式為：

式中，l(r)代表圖像目標(biāo)區(qū)域，Nw代表非目標(biāo)區(qū)域，e代表圖像變量，te、t分別代表圖像的參數(shù)化坐標(biāo)。

目標(biāo)屬性分類代表函數(shù)表示為：

式中，M代表圖像預(yù)測損失值，F(xiàn)t為圖像目標(biāo)屬性[4]，w為圖像目標(biāo)圖像屬性分類參數(shù)，d代表圖像數(shù)據(jù)集。

將上述訓(xùn)練好的圖像目標(biāo)區(qū)域特征標(biāo)注[5]于圖像數(shù)據(jù)中，為圖像精度優(yōu)化提供基礎(chǔ)。

1.2 圖像像素集分割

上述過程提取了圖像的目標(biāo)區(qū)域特征，在此基礎(chǔ)上，對圖像像素集分割[6]，通過圖像相鄰像素顏色、亮度、紋理等特征，將像素點聚類為一個個小的圖像塊，將圖像細分[7]為多個目標(biāo)區(qū)域。分類的圖像像素點具有較大的相似性，所以將其當(dāng)作一類點進行處理，以簡化計算時間。首先轉(zhuǎn)化圖像顏色空間[8]，轉(zhuǎn)化公式為：

然后設(shè)定種子點[9]，利用圖像的三維色彩顏色以及圖像的二維空間位置信息，計算像素點距離[10]，表達式為：

最后，對圖像進行分割處理，設(shè)置為每個超像素的中點，減少圖像極端位置[11]帶來的干擾，計算公式為：

根據(jù)上述計算，對圖像三維顏色以及二維空間的處理，完成圖像像素分割，為圖像精度深度優(yōu)化提供基礎(chǔ)依據(jù)。

1.3 圖像增強處理

在上述圖像目標(biāo)區(qū)域特征提取與圖像像素集分割的基礎(chǔ)上，對圖像增強處理。根據(jù)上述處理可知，處理后的圖像存在細節(jié)信息丟失[12]的現(xiàn)象，為了解決圖像全局結(jié)構(gòu)信息不足的問題，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)并行架構(gòu)，通過交替無監(jiān)督和有監(jiān)督學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)，將該架構(gòu)應(yīng)用至圖像超分辨率重構(gòu)與修復(fù)中去，能夠提升圖像精度優(yōu)化效果。對圖像信息修復(fù)前，光滑圖像，其過程如圖3所示：

圖3 圖像光滑區(qū)域處理過程

固定當(dāng)前的修復(fù)圖像，求解公式如下：

由于圖像中存在兩種形式，全尺寸圖像與圖像塊，利用全尺寸圖像描述圖像特性較難，因此將全尺寸圖像與圖像塊看作兩個獨立的變量[13]，并引入輔助變量，進行求解，計算公式為：

將圖像中的圖像塊看作一種原子組合，用二進制碼進行編碼，定義如下：

p=[p1,p2,…,pn]

(9)

其中，p代表圖像的基因位。

利用適應(yīng)度函數(shù)評估圖像個體優(yōu)劣程度，在圖像塊中，重構(gòu)信號與原始信號相差越小，表明圖像塊個體越優(yōu)秀。然而在實際的圖像重構(gòu)過程中，得不到圖像的原始信號，只能獲得觀測向量，因此用觀測誤差的倒數(shù)定義適應(yīng)度函數(shù)：

式中，f(t)代表圖像塊基于整體圖像的適應(yīng)度，y代表圖像原始信號，A△為圖像觀測誤差，u代表圖像的有效空間。

為此，采用交叉和變異算子增加圖像的原子個數(shù)，尋找圖像相對位置的基因片段，已達到圖像信息交互的目的，圖像基因活性的數(shù)學(xué)公式表示為：

式中，C代表圖像的基因活性參數(shù)，V代表圖像交叉規(guī)則，mh圖像的基因位的活性值，△(p)為圖像特征的平均稀疏度。

在此基礎(chǔ)上，搭建深度學(xué)習(xí)框架，該框架描述如下所示：

式中，F(xiàn)‖X‖代表圖像細節(jié)信息，s為圖像中的權(quán)重系數(shù)，x為圖像中的像素塊。

卷積神經(jīng)網(wǎng)絡(luò)并行架構(gòu)，主要是指將訓(xùn)練數(shù)據(jù)劃分到不同窗口下，每個窗口都存在完成網(wǎng)絡(luò)模型，使用不同數(shù)據(jù)進行訓(xùn)練。如圖4所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)并行架構(gòu)

通過交替無監(jiān)督和有監(jiān)督學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)，利用第一層神經(jīng)網(wǎng)絡(luò)描述圖像中的低頻參數(shù)[14]，利用第二層神經(jīng)網(wǎng)絡(luò)修復(fù)圖像與真實觀測值的殘差值，運用第三層神經(jīng)網(wǎng)絡(luò)確保數(shù)據(jù)的保真度。

圖像細節(jié)信息恢復(fù)表達式為：

根據(jù)上述計算，對圖像細節(jié)信息修復(fù)，以對圖像增強處理，完成圖像精度深度優(yōu)化。

2 實驗

對上述設(shè)計的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像精度深度優(yōu)化方法進行具體的實驗驗證，并將其與傳統(tǒng)的基于均值濾波的圖像精度深度優(yōu)化方法對比，對比兩種圖像精度深度優(yōu)化方法優(yōu)化后的圖像精度。

2.1 實驗軟硬件環(huán)境配置

在實驗軟件環(huán)境方面，使用Ubuntu14.04 64位操作系統(tǒng)，采用C++編輯語言，具體的軟件配置見表1。

表1 實驗軟件配置

在硬件方面，使用了服務(wù)器級主板，并配備了處理器與顯卡，具體的硬件配置見表2。

表2 實驗硬件配置

實驗采用Camvid數(shù)據(jù)集內(nèi)的圖像數(shù)據(jù)作為實驗對象，將數(shù)據(jù)分為評估集與測試集各200張圖像。評估集采用傳統(tǒng)方法設(shè)計的優(yōu)化方法進行圖像優(yōu)化，測試集采用此次設(shè)計的圖像精度深度優(yōu)化方法進行圖像優(yōu)化。

為保證實驗結(jié)果準確性，將實驗圖像在VGG模型的基礎(chǔ)上進行預(yù)訓(xùn)練，并進行10萬次迭代。為減少實驗時間，將實驗圖像每40張做一次優(yōu)化，每種方法各進行5次實驗。并對圖像進行訓(xùn)練，為了提高效率，將所有圖像劃分為178×178大小的圖像，并對每張圖像進行下采樣處理。

2.2 結(jié)果與分析

傳統(tǒng)方法與此次設(shè)計的優(yōu)化方法的優(yōu)化精度對比結(jié)果可知，傳統(tǒng)圖像優(yōu)化方法在圖像優(yōu)化時，優(yōu)化的圖像精度與圖像特征提取精度均較差，與實際的圖像視覺效果相差較大(見圖5，圖6)。此外，傳統(tǒng)圖像精度優(yōu)化方法在優(yōu)化過程中，產(chǎn)生的計算量較大，難以獲得較好的圖像精度優(yōu)化效果。而此次設(shè)計的方法在圖像精度深度優(yōu)化上，優(yōu)化精度較高，說明此次設(shè)計的優(yōu)化方法能夠快速、準確地對圖像細節(jié)信息進行修復(fù)，從而保證優(yōu)化后的圖像精度較高，滿足圖像深度優(yōu)化需求。

圖5 精度深度優(yōu)化對比結(jié)果

圖6 圖像特征提取精度

在上述基礎(chǔ)上，采用這兩種方法進行圖像分割與圖像增強時間比較。

由表3和表4可知，此次設(shè)計方法的圖像分割與圖像增強時間均低于傳統(tǒng)方法，說明該方法的圖像分割與圖像增強的效率高，實際應(yīng)用效果好。

表3 圖像分割時間比較 s

表4 圖像增強時間比較 s

綜上所述，此次設(shè)計的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像精度深度優(yōu)化方法比傳統(tǒng)方法優(yōu)化效果好，比傳統(tǒng)方法優(yōu)化后的圖像精度高，能夠解決傳統(tǒng)優(yōu)化方法優(yōu)化后的圖像精度差的問題，更具有效性和實用性。

3 結(jié)語

本研究設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像精度深度優(yōu)化方法，經(jīng)實驗證明，該方法優(yōu)化后的圖像比傳統(tǒng)方法精度高，但是仍然存在較多的不足之處，在下一步的研究中，網(wǎng)絡(luò)中涉及到的參數(shù)較多，訓(xùn)練時間開銷較大，圖像精度優(yōu)化時間等問題需要做進一步的提高。從實驗數(shù)據(jù)方面看，本研究使用的數(shù)據(jù)集樣本相對較小，在下一步的研究中可以使用自然圖像集，深度研究此次設(shè)計的方法在實際環(huán)境中的優(yōu)化能力。