基于深度学习的图像处理技术

李胜旺　韩倩

摘要：随着信息时代的不断发展，深度学习已经贯穿计算机各个领域，如人工智能、图像识别、文字识别等领域的不断优化不断发展都跟深度学习有联系。事实证明，深度学习已经成为促进各个领域不断向前进步的必然趋势。因此，本文就对深度学习以及在图像处理上面的研究和应用做一个简要的了解，首先学习图像处理和深度学习技术的相关概念，然后阐述一下深度学习在图像处理技术上的一些应用，最后对深度学习在图像处理领域的影响作用做一个总结。

关键词：深度学习；图像处理；图像去噪；图像分类；图像增强

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2018）09-0065-02

人工智能的发展促进了现代化科技和智能化生活的发展，它最大的贡献就是给人们生活和工作带来了极大的方便。而深度学习作为机器学习领域的一部分，在人工智能发展方面起着至关重要的作用。为此，加大对深度学习的研究，将深度学习与其它领域有机的结合起来，为了人们的生活和社会的发展，去研发一些新产品和新技术，显然是很必要的。

1 图像处理与深度学习

1.1 图像处理技术

图像处理是将图像信息转化成数字信息为计算机所识别并进行相关数据处理的一门技术，计算机进行图像处理包括图像分类、压缩、增强、编码、特征提取等过程，为了保证图像的清晰度和对有效信息的识别，图像处理技术需要多方面技术的支持以提高图像的分辨率和质量。

图像处理作为人工智能领域的一门交叉学科，它穿插在模式识别、机器视觉、多媒体技术等多个领域。随着智能化时代的到来，有关图像处理技术的成果也应用在人们的生活之中，比如，車辆检测、二维码支付、指纹识别等技术的应用，方便了生活的同时，也使得人们对图像的质量要求越来越高。

1.2 深度学习领域

深度学习本质是模仿人脑的思考能力去分析解决问题的神经网络，运用深度学习可对文字、图像和文本等进行信息提取和识别。深度学习的发展归功于2006年一位来自加拿大的学者研究的人工神经网络模型，使得对信息处理的维度降低。至此，对深度学习的继续研究成为了越来越多的学者追求的目标。各大科技企业也竞相加入对深度学习的关注，如谷歌、Facebook等高科技企业。

深度学习贯穿计算机视觉领域的各个部分，用深度学习的神经网络模型模拟人脑工作的原理，在图像识别领域取得了一些成果。

2 深度学习在图像处理方面的应用

2.1 深度学习在图像去噪算法上的应用

由于环境、人为等因素的影响，致使采集到的图像在识别的时候并不能获取有效的信息。这时候就需要将图片进行一定的优化，基于神经网络模型设计的图像去噪算法已经很好的实现了对高噪声图片进行有效的处理。其中，秦品乐等人研究出了一套利用深度学习模型进行图像去噪处理的技术方案，该方案通过含噪声图像与原图像之间的非线性映射，结合卷积子网收集的特征信息，将这些特征信息再进行恢复原图像。实验证明，该项技术方案运用卷积网络进行图像去噪处理获得了一定的成就，提取了大量的纹理信息；对于低信噪比图像的处理，王纯等人提出了两种算法，一种算法是基于深度学习中的卷积神经网络模型实现对真实场景图片进行的去噪处理，另外一种算法是通过最小二乘法构建非局部加权的图像去噪算法。实验表明，两种算法都有效的实现了对低信噪比图片的有效去噪处理；相比低信噪比的研究技术，高信噪比的研究领域难度更大一些。吴祥威等在多层感知器的基础上，通过深度学习技术对隐藏层部分的参数进行改进，实现了对多层感知器模型的优化，研究出了一种高效的去噪能力的模型。实验表明，使用线形整流函数对激活函数的改进能进一步提高图像尤其是高斯噪声下的图像的去噪处理能力。

图像去噪是图像处理领域的一个重要研究方向，进行去噪的目的就是提高图像识别信息的能力，是人类进行信息识别的必要条件。尤其是在医疗和安检领域，如何获取清晰的图像是进行识别信息的前提。运用卷积神经网络学习图像的特征信息非常容易，近几年在图像去噪技术上获得了比较好的成果。

2.2 深度学习在图像分类算法上的应用

图像分类算法一般包括区域划分、特征提取和分类器识别分类三个步骤，其中特征提取是关键的一步，有效的特征提取关系着对下一步分类的结果，结合深度学习进行图像分类的算法设计能够进一步提高特征提取的性能。林妙真等人针对人脸识别的多姿态变化问题提出一种基于深度网络结构的算法，实验表明该算法在图像分辨率和识别多姿态变化方面提高了一定的性能；基于深度学习对人脸识别技术的研究问题越来越受到业界人士的广泛关注，陈瑞瑞等人运用卷积神经网络实现了对人脸识别算法的改进，实现了对数据过拟合现象的有效抵制，实验证明了深度学习的卷积网络模型具有很好的图像分类效果；王爽等人分别从单标记图像和多标记图像两个方面研究深度学习在图像分类算法上的应用，运用PCA和LDA算法实现对单标记图像特征进行降维处理，然后结合SVM和KNN分类器进行分类，从而通过降维处理优化图像分类的性能，通过最小hausdorff和平均hausdorff两种不同度量距离的方法的对比，实现了多标记图像复杂分类的特征提取。

基于深度神经网络进行图像分类的研究成果越来越实用化。我国著名的搜索引擎百度应用神经网络技术进行的图像分类识别，它的精确度已经达到了90%以上。百度引擎的广泛应用证明了基于深度学习的图像分类算法是一个目前以及未来还会继续研究的方向。

2.3 深度学习在图像增强算法上的应用

作为图像处理的必须阶段，图像增强的结果能够突出图像中的特征区域，完善图像的视觉效果，使得增强后的图像能够更好的为人类和机器进行识别。崔盼盼等将图像超分辨率技术结合深度学习理论进行图像增强处理，对卷积神经网络和快速卷积神经网络的超分辨率算法进行改进，使得处理后的图像更加满足人们的视觉要求，实验表明，该算法的提出有效的增加了图像重建的效果，对以后的图像增强技术提供了一定的参考价值；丁雪妍等人运用卷积神经网络对图像进行增强处理，采用白平衡方法有效的改善了对水下图像颜色的修正问题、运用场景深度模型进行去模糊操作、超分辨率模型细化了图像的分辨率，实验证明了该项技术对水下图像识别分辨率研究方面有了一定的提高；胡伟东等在气象卫星领域方面，首次运用SRCNN算法证明了MMSI高温数据的有效性，但是由于深度学习需要大量的训练模型进行实验，所以仅仅证明了算法的可行性。

随着近几年科研成果的不断涌现，深度学习在图像增强技术上面的应用也越来越广泛，为了增加图像的视觉效果，不同的业界人士使用不同的算法进行模型训练，图像增强技术的进步促进了图像识别的研究和发展。

3 结语

如何选取图像有效的特征信息影响着图像识别的准确率和关系着图像的分类结果，所以在图像处理技术上面一定要提高专业性能，深度学习理论有效的学习了图像的深层语义信息，使得图像提取的特征具有很好的鲁棒性，在保证图像质量和提高图像识别的准确率的同时，很好的保持了图像的完整性，使得图像的有效信息不受损害。

参考文献

[1]雷倩.基于深度学习的图像超分辨率重构[D].河北师范大学，2015.

[2]王恒欢.基于深度学习的图像识别算法研究[D].北京邮电大学，2015.

[3]陈先昌.基于卷积神经网络的深度学习算法与应用研究[D].浙江工商大学，2014.

[4]李传朋，秦品乐，张晋京.基于深度卷积神经网络的图像去噪研究[J].计算机工程，2017，43（3）：253-260.

[5]卢宏涛，张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理，2016，31（1）：1-17.

[6]吳洋威.基于深度学习的图像去噪算法[D].上海交通大学，2015.

[7]林妙真.基于深度学习的人脸识别研究[D].大连理工大学，2013.

[8]杜骞.深度学习在图像语义分类中的应用[D].华中师范大学，2014.

[9]王爽.深度学习在图像分类中的应用研究[D].山东师范大学，2016.

[10]崔盼盼.基于深度学习的图像超分辨率重建算法研究[D].山东科技大学，2017.

[11]孙飞飞.水下图像增强和复原方法研究[D].中国海洋大学，2011.

[12]丁雪妍.基于卷积神经网络的水下图像增强算法研究[D].大连海事大学，2017.

[13]沈庭芝，王卫江，闫雪梅.数字图像处理及模式识别[M].北京理工大学出版社，2007.

[14]贾永红.计算机图像处理与分析[M].武汉大学出版社，2001.

[15]林杰，李如意.基于深度学习的图像识别处理[J].网络安全技术与应用，2017（11）：65-67.

[16]刘涵，贺霖，李军.深度学习进展及其在图像处理领域的应用[J].中兴通讯技术，2017，23（4）：36-40.