人工神经网络图像模式识别综述

天津医科大学临床医学院 张东东

1.引言

人工智能是以一系列程序，算法，方法等表示，关于支持针对思维，感知和行动的模型建立的人工系统。[1]随着计算机科学相关理论技术和硬件设备的进步发展，人工智能越来越多的应用到社会生活的方方面面。模式识别是通过机器以算法、方法等研究模式到模式类的自动分配。[2]近年来，模式识别在人工智能领域起到的作用越来越重要，取得了很多重要的成果。人工神经网络作为模式识别的一种算法，以信息处理的方式对人脑神经元网络进行模拟，将简单模型建立出来，将不同的网络以不同的连接方式相结合。人工神经网络已成功地解决了许多较为复杂的实际问题，拥有良好的智能特性。

2.模式识别

2.1 模式识别原理

模式是对客观现实事物的一种抽象化的概括和定理化的描述，其表示形式在自然中可以以图像、声音、物体等体现，在科学研究中与一定的理论相对应，作为对一种理论含义的解释，如实验模式、发展模式等。[3]在模式识别是指对客观存在的各种形式（如文字、数字、逻辑关系等）所表现的被描述物的数据进行处理和分析，以达到对事物的现象和特征的描述、辨认、分类和解释的过程。[4]模式识别是人工智能和信息科学的突出子集。当代所说的狭义的模式识别指用计算机将待识别的信息分配到各模式类的技术。由于在范围上的大部分重叠，数据挖掘、模式识别、机器学习、数据中的知识发现（Knowledge discovery in databases ，KDD)很难完全剥离。模式学习和机器学习的方法也广泛用于以感知信号为主的数据问题分析，但至今为止还没有能够统一应用于所有类型信息的模式识别的理论。学术界普遍认为，不存在某一种单一的模式识别模型或技术来解决遇到的所有模式识别问题。现存的特点是，解决模式识别相关问题拥有一系列方法、算法，通过对具体问题的具体分析，找寻相对应的结构模式识别、统计模式识别、人工神经网络模式识别、模糊模式识别等方法。

2.2 图像模式识别

图像模式识别就是使用通过计算机将文字、图案、景物、图像等模式信息进行分类辨别，并由计算机与外部的通信进行输出。目的是用计算机或某种设备进行快速而又准确的图像辨别分类，从而代替人完成此类任务。图像模式识别是图像处理技术与模式识别技术的结合。图像模式识别系统主要分为三部分：一是图像信息的简化、突出特征；二是图像信息原始数据进行变换，得到最能反映分类本质的特征；三是用判别的方法给被识别对象分类。

作为各学科领域交叉研究的重点，医学图像模式识别融合了图像处理、模式识别和临床医学等学科的多种信息。由于其对各类疾病的临床诊断具有重要意义，医学图像模式识别是模式识别研究中的一个重要部分。以医院常用的影像检查方法为例，通过对扫描的 MRI 图像进行脑损伤分析、软组织损伤鉴别、X 线图像信息分析、内窥镜图像判断、细胞分类计数等，医学图像识别可以为临床诊断提供重要依据。为了使图像处理中的问题得到更好的解决，近年来发现人工神经网络作为作为一种新的有效工具，成为解决图像模式识别的优良办法之一。对于人工神经网络而言，由于其具有某种程度上的记忆功能，输出实际上是对输入的一种变换，当使用各类元器件构建出的网络进行图像模式识别处理时，输入至输出可以以一种较快的速度完成。由是，相较于传统方法，在图像模式识别领域中，人工神经网络方法有巨大潜力，可视作解决图像识别问题的有力工具。

3.人工神经网络

3.1 人工神经网络原理

人工神经网络是在生物神经相关研究的基础上发现的一类模拟生物神经的运算模式，用来反应人脑在计算结构方面的某些特性，是生物神经网络的高度简化。[5]

从生物学角度讲，人脑由大量密切相连的神经元组成。树突、细胞体和轴突是生物神经元的三个重要的构成部分。复杂的生物神经网络由神经元组成。树突是树状的神经纤维接收网络。细胞体接收的电信号由树突传送，细胞体整合处理这些输入的电信号。细胞体输出的信号由单根较长的神经纤维，也就是轴突传送给其他神经元。

3.2 人工神经网络有两个核心之处与生物神经网络高度一致

其一，人工神经网络和生物神经网络都可认为是神经元（可计算单元）高度连接而成的网络，其二，神经网络的功能由神经元之间的连接决定。

人工神经网络的优点主要体现在以下几个方面：

第一，人工神经网络具有自组织自学习的特征，在训练学习中可以直接接收数据，并能够自适应的发现在学习过程中包含在样本数据中的内在特点和规律。比如，在进行图像模式识别时，先把许多不同的样本数据以及对应的应识别结果输入人工神经网络，进而网络通过学习，提高类似图像的识别度。自学习能力对于未知判断有着较为重要的意义。目前，相关的结合人工神经网络技术的软件已经应用在医学图像模式识别（例如 B 超图像胎儿头围的信息采集）以及证券市场中结合相似 K 线图对 K 线走势进行概率推导等。

第二，神经网络有关联记忆储存的特点。可以实现于反馈神经网络网络中。

第三，人工神经网络具有发散式推导特点。依据不同样本数据间的相似之处，其可以有效的处理与初始训练样本数据间相似的数据。应用时获得的数据往往含有噪声或缺乏构成某个形式的特征等，此时神经网络可较好的处理样本图像失真或变形，这种处理样本失真或不完全数据图像的能力，是模式识别中人工神经网络的主要应用方面。

第四，人工神经网络拓扑结构具有非线性化特点。人工神经网路络能够获取输入变量之间复杂的联系。线性系统内输入的改变往往意味着输出跟随者成比例的改变，由于实时系统常常是非线性的，且这种特点可以用一个高阶函数表示，因此在实时系统中可得到应用。例如在图像识别问题中，图像传感器在图像获取阶段常常接收到外界不同的干扰因素，神经网络在进行图像模式识别时能够考虑到各种影响因子的作用及变化，从而提供一个可用的解决方案。

第五，神经网络具有高度并行性的特点。人工神经网络可以同时运行大量相似运算或独立运算，因此它在进行图像处理、图像识别问题的运算时，相较于传统的微处理器和数字运算器拥有更快的运行速度，从而提高系统整体处理速度。

4.结语

作为一种较新的应用技术，人工神经网络模式识别技术充分融合了人类识别物体的特点，充分考虑到了图像的统计特征与几何空间特征等，并将人类在进行图像识别时所获得的经验加入执行过程。在解决许多非线性问题方面，人工神经网络模式识别较为有效，并在成功应用于许多工程应用中。但另一方面，同种神经网络方法在某些应用场景中能够取得较好的结果，但在其他的相似应用场景中却可能完全失败。因此，仍有许多问题存在于神经网络中未得到解决，有许多因素在实际的应用场景中要凭经验确定，例如怎样选择网络节点数、学习步长以及初始权值等；怎样解决局部极小值问题、数据过度耦合与欠耦合问题等。

[1]崔良沂,赵永昌译.Patrick Henry Winston.Artificial Intelligence[M].北京：清华大学出版社,2005.

[2]康晓东.医学影象图像处理[M].北京：人民卫生从出版社,2009.

[3]李玉景.支持向量机在模式识别领域中的应用研究[D].青岛大学,2009.

[4]刘雪鸥.医学图像模式识别技术的研究及应用[D].太原理工大学,2016.