基于機器學習的圖像協(xié)同分類系統(tǒng)的設(shè)計與實現(xiàn)

沈文杰

（福建農(nóng)業(yè)職業(yè)技術(shù)學院，福建 福州 350119）

如今，多種形式的先進拍照技術(shù)越來越普及，網(wǎng)絡(luò)的圖像保存量越來越大，廣泛存在于社交過程與圖像搜索的過程中。圖像可涉及豐富的信息數(shù)據(jù)，部分不能借助語言和文學表達的場景都能通過圖像進行充分呈現(xiàn)，因此怎樣高效率地運用圖像數(shù)據(jù)備受學術(shù)界以及工業(yè)界相關(guān)人員的重視。機械學習分析結(jié)合生理學知識與認知科學知識，創(chuàng)設(shè)與人們學習過程相匹配的模型，創(chuàng)新理論與方法，形成任務(wù)模式的結(jié)構(gòu)體系，立足于機器學習進行圖像協(xié)同分類系統(tǒng)設(shè)計是強化圖像加工的優(yōu)質(zhì)手段，為此筆者具體、詳細地開展了相關(guān)研究。

1 機器學習應(yīng)用在圖像分類中的實際情況

機器學習算法研究對應(yīng)信息，在權(quán)重分配與其他類型參數(shù)的參考之下增強性能、實現(xiàn)目的這一過程就是“學習”的內(nèi)涵。掌握機器學習信息集十分關(guān)鍵，通常把最初信息劃分為訓練集以及測試集，前者進行分類器訓練，也就是借助學習過程整理模型，在完成訓練后，根據(jù)測試集對分類器進行預(yù)測。針對圖像種類的信息源，以機器學習為主的圖像分類應(yīng)該獲取圖像基礎(chǔ)特點，后續(xù)構(gòu)建特征向量，借助機器學習算法實現(xiàn)綜合分類器的性能，并將其視作預(yù)測樣本信息的有效工具[1]。近年來，機器學習算法分類器往往被運用于制作BOW模型以及pbM模型的過程中，且成效較好。機器學習分類種類繁多，例如決策樹算法、K最近鄰算法等。任何類型的機器學習算法都存在局限，決策樹的局限就是僅在計算對應(yīng)信息時可獲取顯著成效。對樸素貝葉斯算法來說，應(yīng)將其作用于簡短文本中，決策樹處理簡短文本的成效不如樸素貝葉斯算法，因此要有針對性地挑選機器學習計算方法。

經(jīng)過一系列的分析，機器學習算法對圖像進行分類的成效受到以下3個因素的影響：1） 圖像提取算法。優(yōu)質(zhì)的圖像提取算法可控制縮放與反射等外在因素的制約，全方位凸顯圖像信息。2） 機器學習算法分類器的性能設(shè)置。關(guān)聯(lián)向量機算法應(yīng)創(chuàng)設(shè)對應(yīng)核函數(shù)，如果選取樸素貝葉斯應(yīng)嚴格要求樣本獨立性、引進K最近鄰算法時應(yīng)確保K值穩(wěn)定且引進決策樹算法時應(yīng)對樹進行加工[2]。3） 圖像特征信息的多樣化。如果圖像比較單一，那么傳遞信息的過程就會存在難度，提倡綜合篩選多種類型的信息數(shù)據(jù)，這樣就能提高圖像的表達性能，還可以達到有效強化圖像分類效率的目的。在當前的系統(tǒng)編制中，對圖像特征向量的精確度進行研究是一種相對可靠的方式，也是后續(xù)研究的關(guān)鍵點，在很大程度上可以帶動圖像分類系統(tǒng)的運作與創(chuàng)新。

2 機器學習的基本形式

機器學習主要是進行數(shù)據(jù)加工，以信息的形式輸出相關(guān)信息。第一種形式便是監(jiān)督學習，也就是在某種情況下分析函數(shù)，在接收全新信息數(shù)據(jù)的狀態(tài)下對函數(shù)進行結(jié)果評估。監(jiān)督學習包括輸入過程與輸出過程，在訓練集中通過人員自主標注，監(jiān)督學習有決策樹學習類型與最近鄰居法類型[3]。監(jiān)督學習選取詞匯的出發(fā)點是分類，根據(jù)經(jīng)驗法則降低信息數(shù)據(jù)面臨風險的概率，也就是經(jīng)驗風險最小化。第二種形式便是無監(jiān)督學習，根據(jù)循環(huán)以及遞減運算規(guī)律對信息誤差現(xiàn)象進行規(guī)避，從而合理地對數(shù)據(jù)信息進行分類。不需要給計算機發(fā)送指令，而是計算機自主完成數(shù)據(jù)統(tǒng)計，由于不存在事先安排的樣本信息，因此可提高監(jiān)督學習方法的運用率，對機器學習的模式進行整合與加工，具體的機器學習算法圖像分類過程如圖1所示。

圖1 機器學習算法的圖像分類過程

3 以機器學習為主進行圖像協(xié)同分類系統(tǒng)的設(shè)計實現(xiàn)方式

3.1 圖像協(xié)同分類系統(tǒng)基本結(jié)構(gòu)

基于機器學習構(gòu)建圖像協(xié)同分類系統(tǒng)體系，借助計算機定量研究圖像信息，對圖像的多個組成部分進行類別判斷，替換人們的視覺感知。圖像協(xié)同分類系統(tǒng)是圖像檢索的內(nèi)在條件，分類系統(tǒng)可自動化地處理樣本圖像，形成對應(yīng)訓練模型，由此全方位預(yù)測其他類型的數(shù)據(jù)圖像。系統(tǒng)的特征以并行性與協(xié)同性為主，按照多種形式機器學習算法設(shè)計模型，關(guān)聯(lián)機器學習預(yù)測結(jié)果并記錄類別歸屬信息。機器學習算法是到現(xiàn)在為止比較穩(wěn)定的思路，尤其是決策樹算法與樸素貝葉斯算法[4]。針對圖像協(xié)同分類系統(tǒng)結(jié)構(gòu)，引進C/S模式，圍繞網(wǎng)絡(luò)平臺對客戶端進行設(shè)置，利用C++語言編寫程序，對應(yīng)的服務(wù)器端MySQL數(shù)據(jù)庫在重要信息的保存與預(yù)測中可以發(fā)揮重要作用。

3.2 圖像協(xié)同分類系統(tǒng)設(shè)計的需求

3.2.1 非功能性層面

在設(shè)計圖像協(xié)同分類系統(tǒng)之后，將其保存在一般模式的計算機中，由于系統(tǒng)訓練以及樣本評估體現(xiàn)了信息的不確定性，要思考信息量大的情況，也就是輸入大量圖像，判斷系統(tǒng)是否能穩(wěn)定、安全地運行，并輸出預(yù)測結(jié)果信息。因此系統(tǒng)的設(shè)計應(yīng)滿足以下5點要求：1） 減少內(nèi)存消耗，由于圖像分類過程給予圖像信息的每種處理方式都要保存在內(nèi)存中，科學的保存結(jié)構(gòu)能夠降低大比例占用內(nèi)存的概率，因此可挑選流式加載處理技術(shù)。2） 減少樣本訓練需求的時間，引進并行化理念處理樣本[5]。3） 保證預(yù)測結(jié)果的精準度。傳統(tǒng)的預(yù)測方式僅選取相同機器學習算法，在圖像協(xié)同分類系統(tǒng)設(shè)計中應(yīng)利用多個機器學習方式來提升準確率。4） 保持信息庫的讀寫分離狀態(tài)，讀寫分離要求信息庫閱讀操作與寫作操作互相分割，由此緩解信息庫IO的壓力或者將外界環(huán)境中的讀寫請求均勻地分配到多個信息庫中。信息庫結(jié)合事物處理的性質(zhì)完成類別判斷，即主信息庫與從信息庫，前者實施寫作環(huán)節(jié)，后者實施閱讀環(huán)節(jié)。5） 高維特征向量引保持降維的特征。數(shù)字圖像加工領(lǐng)域內(nèi)包括許多降維形式，尤其是PCA形式，關(guān)聯(lián)計算均值、方差與協(xié)方差矩陣計算等，需要用到的便是均值計算與方差計算，把矩陣的實際均值與方差信息視作圖像紋理的典型特點。

3.2.2 功能性需求層面

功能性需求是根據(jù)圖像協(xié)同分類系統(tǒng)布設(shè)要求分類別地對系統(tǒng)基礎(chǔ)進行操作與劃分，思考如何設(shè)定參數(shù)、如何計算特征、如何預(yù)測樣本信息與如何統(tǒng)計最終結(jié)果等[6]。

3.3 完善系統(tǒng)框架

完整的圖像協(xié)同分類系統(tǒng)設(shè)計應(yīng)該包括4層，詳細介紹如下。

3.3.1 設(shè)計系統(tǒng)的第一層——UI界面層

設(shè)計UI界面層，也就是為用戶提供可視化界面，以該界面為基礎(chǔ)對信息數(shù)據(jù)進行傳遞。用戶可以直接感受UI界面層，親自觀察分類系統(tǒng)是如何處理圖像信息的，獲取具有價值的階段性數(shù)據(jù)。根據(jù)桌面應(yīng)用流程進行標準化設(shè)計，體現(xiàn)本地實時計算與迅速訪問的優(yōu)勢[7]，它可以執(zhí)行參數(shù)設(shè)置、計算特征、訓練樣本與預(yù)測樣本結(jié)果等操作，用戶可以在興趣愛好的驅(qū)使下進行自主選取。

3.3.2 設(shè)計系統(tǒng)的第二層——邏輯控制層

邏輯控制層作為數(shù)據(jù)處理層以及UI界面層的鏈接媒介，首先是把UI界面層內(nèi)的信息數(shù)據(jù)發(fā)送到處理層結(jié)構(gòu)中；其次，把處理層獲取的結(jié)數(shù)據(jù)轉(zhuǎn)移到控制層中，通過恰當?shù)男问奖４嬖赨I界面層中；最后，控制層有針對性地對信息數(shù)據(jù)進行操作，促使處理層內(nèi)信息的真實性不受影響，安全、穩(wěn)定地運作數(shù)據(jù)處理層。需要注意的是，信息真實性不受影響主要是執(zhí)行模塊在信息傳遞期間不會更改數(shù)據(jù)，控制層安設(shè)讀寫鎖，全部的執(zhí)行模塊在傳遞信息之前都應(yīng)通過讀寫鎖的檢驗后再開展繼續(xù)作業(yè)，不然會一直保持等待狀態(tài)。在該過程及時納入并行化處理技術(shù)，也就是發(fā)揮多線程技術(shù)的作用[8]?？刂茖釉诜治鲇布?shù)據(jù)與資源利用情況之后啟動線程數(shù)據(jù)，讓系統(tǒng)保持較高的信息處理效率，可以說線程也是工作線程的簡稱。如果某個線程在任務(wù)加工期間出現(xiàn)停止的情況，那么控制層會及時感知異常，啟動其他形式的線程進行替換，以完成尚未被全面加工的任務(wù)。發(fā)布新任務(wù)之后，如果控制層線程數(shù)目不多，就要適當?shù)匾M線程，此時控制層創(chuàng)設(shè)線層模塊來完成任務(wù)，控制層規(guī)避線程調(diào)整的數(shù)目，也就是Mater-Worker模式，借助系統(tǒng)的整體資源，在不制約處理層運作效率的基礎(chǔ)上不出現(xiàn)資源浪費的現(xiàn)象，由此妥善完成邏輯控制層的核心任務(wù)。對應(yīng)的邏輯控制核心和相鄰兩層交互結(jié)構(gòu)圖如圖2所示。

圖2 邏輯控制核心和相鄰兩層交互結(jié)構(gòu)圖

3.3.3 設(shè)計系統(tǒng)的第三層——數(shù)據(jù)處理層

將數(shù)據(jù)處理層劃分為線程模塊、讀寫鎖模塊、大信息塊以及階段性信息傳遞模塊等。

3.3.3.1 設(shè)計線程模塊

線程模塊作為圖像協(xié)同分類系統(tǒng)的核心結(jié)構(gòu)，大多數(shù)情況下它可以運作多個類型的線程，任何線程都要求分配任務(wù)，對應(yīng)任務(wù)涉及計算切割完成的小信息塊與傳遞控制層的信息結(jié)果。

3.3.3.2 設(shè)計讀寫鎖模塊

被加工的信息往往來源于磁盤文件，并且許多信息數(shù)據(jù)被保存在文件結(jié)構(gòu)中，尤其是訓練模型與訓練樣本集文件，利用數(shù)據(jù)處理層的安全來保證讀寫環(huán)節(jié)的正常運作[9]，可以將一些讀寫操作存在多個線程之內(nèi)，如果在相同時刻進行讀寫，就會缺少保護方案，可能出現(xiàn)文件信息不能真實傳遞的結(jié)果。另外，考慮閱讀文件的概率比較大，因此可擬定讀寫鎖來保障安全性。而不需要文件與讀寫鎖一一對應(yīng)，而是適當?shù)卦O(shè)置讀寫鎖的數(shù)量即可，不然大量讀寫鎖會制約系統(tǒng)性能的發(fā)揮。因此協(xié)同分類系統(tǒng)設(shè)計可對關(guān)鍵類型的文件配置讀寫鎖，為信息數(shù)據(jù)傳遞的真實性提供保障。

3.3.3.3 設(shè)計大信息塊

切割大信息塊的第一個形式就是基于個體的形式對樣本庫進行劃分，這樣樣本個體都是單一化的信息塊。第二個形式便是為多維向量設(shè)置一定維度，這樣任何維度中的數(shù)據(jù)信息都是小信息塊。

3.3.3.4 設(shè)計階段性信息傳遞模塊

數(shù)據(jù)處理層主要進行密集化的數(shù)據(jù)統(tǒng)計，涉及樣本訓練信息與樣本分析結(jié)果信息。操作加工的每個環(huán)節(jié)都與階段性信息傳遞存在關(guān)聯(lián)，把信息傳遞給邏輯控制層，即保存在本地磁盤內(nèi)。還可以把信息傳遞給保存層，即向信息庫內(nèi)輸入信息數(shù)據(jù)。

3.3.4 設(shè)計系統(tǒng)的第四層——數(shù)據(jù)存儲層

圖像協(xié)同分類系統(tǒng)的設(shè)計與實現(xiàn)。數(shù)據(jù)存儲層是最后一層，存在于信息庫服務(wù)器的端口部位，對數(shù)據(jù)處理層發(fā)布的信息處理指令進行響應(yīng)。數(shù)據(jù)存儲層借助MySQL信息庫，由于信息庫讀寫頻率是存在差異的，因此這一個層次不僅有唯一的信息庫，而且還包括許多信息庫。主信息庫進行請求書寫，從信息庫發(fā)出響應(yīng)度請求。前者促使負載維持均衡，讓信息庫長時間運作；后者借助主從復制實現(xiàn)同步信息統(tǒng)計，根據(jù)讀寫分離技術(shù)強化信息庫整體并發(fā)負載水平，由此完整地設(shè)計基于機器學習的圖像協(xié)同分類系統(tǒng)，把信息數(shù)據(jù)的處理作業(yè)推向高層次發(fā)展。

4 結(jié)語

綜上所述，開展對基于機器學習的圖像協(xié)同分類系統(tǒng)的研究具有重要的價值，網(wǎng)絡(luò)發(fā)展讓圖像發(fā)展成為比較關(guān)鍵的信息源，圖像分類作為創(chuàng)新圖像檢索技術(shù)的有效途徑，相關(guān)人員要加大力度對機器學習的性能進行研究，優(yōu)化圖像協(xié)同分類系統(tǒng)設(shè)置，爭取在較短時間內(nèi)獲取數(shù)據(jù)信息處理的最大化效果，增強信息統(tǒng)計的真實性與準確性。