王玉娟　张海　王先国　潘志宏

摘要：图像处理应用的人工算法主要有四种： 与遗传学相关的遗传算法、由固体退火原理演变而来的模拟退火算法、由蚂蚁觅食现象演变出来的蚁群算法和鸟群捕食行为演变出的粒子群算法。本文首先介绍常用的人工智能算法基本原理和特点，并对这几种人工智能算法在图像处理方面的应用进行一定的概述， 最后对人工智能算法的应用前景进行一定的展望。

关键词：人工智能算法；图像处理；遗传算法；模拟退火算法；蚁群算法；粒子群算法

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）19-0208-02

人工智能算法主要是人们对自身总结出的一些自然界规律进行一定的模仿然后将其转化成为一些求解某些问题的算法。在当前计算机技术不断站的背景之下人工智能算法的应用在一定程度上实现了更好地对图像进行处理的效果，下面我们就对这些具体的人工智能算法进行一定的概述。

1 人工神经网络

如图所示，人工也属于人们对动物神经网络进行模拟的行为特征，运用分布式并行信息处理的算法构建起一个数学模型后通过对模型内部的大量节点之间的相互连接关系进行一定的调整实现对信息进行处理的目的，人工神经网络在一定程度上体现出了一定的自组织性，并且其具有自学习和自适应以及自推理等优点。

神经网络计算法在应用到图像处理过程中时主要是用来对图像进行压缩，在图像输出层和输入层之间、中间传输层中分别设置较多和较少的节点，通过神经网络计算法的应用能够实现利用较少的节点来表示出图像并将图像应用于储存和传输环节，这种方法能够在一定程度上节约储存的空间，并且有效地提高传输效率，通过这种方法能够实现图像在输出层的还原。

2 遗传算法

上图的关系可以看出遗传算法在一定程度上所展现的也是人们在对生物进化论的自然选择和遗传学进化过程进行的总结而构建起来的模型，遗传算法是一种通过对自然进化进行一定的模拟，然后利用模拟出来的计算方法对最优解的方法进行随机搜索的过程，与进化原则中的适者生存和优胜劣汰的原则是遗传学计算方法流程构建的基础。遗传算法的主要特点在于运用这种计算方法是直接作用于结构对象之上的，随后再对结构对象进行操作，这个操作过程不会受到求导函数连续性的影响和限定。

应用遗传法对问题进行求解的过程可以按照下面的步骤进行：

2.1 编码

将问题的求解空间映射成为染色体编码空间，每一个候选解都要有特定的符号进行表示。

2.2 初始化种群

这个环节需要在一个特定的限制条件之下对种群进行初始化，初始化种群属于解空间中的一个独立的子空间。

2.3 设计适应度函数

对种群中的每一个染色体都进行合理的解码之后将染色体都解码成为符合适应度函数的形式，最后再根据前面的这些环节对其数值进行计算。

2.4 选择

结合适应度的大小对优秀个体進行选择，然后繁殖下一代，我们要注意的是适应度越高其选择的概率就越大。

2.5 交叉

随机选择出两个用来繁殖下一代的个体，对这两个个体的相对位置进行交换。

2.6 变异

按照变异概率对某个串中的基因进行合理的翻转。

从选择步骤开始，如果某一个步骤不符合计算的要求就重复进行，直到满足某一性能指标或者规定的遗传代数之后再进行计算。

遗传算法主要是应用在对图像进行分割的环节。对多种分割结果中对最佳的分割结果进行搜索以及对图像分割算法中的最优参数进行搜索的时候人们大都会选择遗传算法。

3 蚁群算法

由上面这个蚁群算法的基础模型我们可以发现这一种计算方法主要是用来在图像中寻找最优路径的概率型计算方法，这种算法的灵感主要来自人们对蚂蚁觅食现象的观察。蚁群算法可以在所经的路径上留下一些信息素用来进行相互之间进行信息的传递，当某一条路径上的浓度明显高于其他的路径的时候这条路径就会吸引到更多的蚂蚁，在多次迭代之后蚂蚁可以找到食物到蚁巢之间距离最短的路线。蚁群算法在一定程度上体现了正反馈性、强鲁棒性和自适应性以及并行性。应用其群算法能够最大程度地实现对大多数问题的优化，这种计算方法在对图像进行分割和对边缘进行检测和识别等领域能够发挥极为有效的功能。

涉及图像处理技术研究的人都会了解韩彦芳提出的对蚁群算法和模糊聚类进行结合的图像分割方法，通过对启发式引导函数进行设置和对聚类中心进行初始来减少算法出现迭代的次数。

4 模拟退火算法

模拟退火算法是一种采用随机方法对最优解进行探索的计算方法，这种计算方法建立在迭代策略基础上并且来自物理学中的固体退火原理，在将固体的温度加热到足够高的时候在对其进行冷却，加温的过程中在固体内部粒子温度不断升高的过程中这些内部粒子会呈现出一种无序状的状态并且固体的内能会出现增大的情况，在对固体进行冷却的时候内部的粒子会逐渐转变成一种有序的形态，在固体的内部粒子的温度都达到一种平衡状态的时候会在常温的状态下达到一种极为稳定的基态，这个时候的内能达到最小的状态。模拟退火算法能够对全局进行一定的优化，可以在工程中得到较为广泛的应用。模拟退火算法的基本思想为：

1） 初始化过程：保证初始温度T处于充分大的状态，以初始状态S为算法迭代的起点，以L来表示在每个T值情况下的迭代次数；

2）对K=1，2，……，L做第三步到第六步的流程；

3） 产生新解S，；

4） 对增量△t，进行计算，△t，=C（S，）-C（S），式子中的C（S）属于评价函数；

5） 如果增量小于0的时候，S，为正解，作为当前解，如果增量大于或者等于0，那么以概率exp（-△t，/T）接受S，作为当前的新解；

6） 如果不满足终止条件就对该流程进行反复操作， 满足了终止流程就输出当前解，以这个解作为最优解，然后结束程序。

7） 当T出现逐渐减少的情况并且T-大于0的时候要转到第二步进行重复计算。

5 粒子群优化算法

粒子群计算方法的出现主要是源于对于鸟群捕食行为的观察和研究，这种算法以对鸟群集体捕食这一类动物集群活动的观察作为基础，选取群体中的一些个体的信息加以利用和改造，实现信息的共享能够在一定程度上使问题求解空间中整个群体的运动由无序状态向有序状态进行演变，在这个演变的过程中实现对最优解的求得。这种算法的构建与遗传算法较为类似，是在迭代的基础上构建起来的优化算法，利用迭代方式在系统初始出一些随机解之后再通过最优值进行搜寻，但是需要注意的是这种计算方法没用应用遗传算法中的交叉和变异方法，粒子群计算方法的主要目的在于通过搜索粒子来对解空间中的最优粒子进行确定。与遗传算法在计算过程的方面进行比较可以发现粒子群优化算法能够在一定程度上简化计算过程，并且在计算的过程中不需要对太多的参数进行调整。粒子群算法主要是用在函数优化和模糊控制以及神经网络等领域。

在粒子群算法被应用于对图像边缘进行检测的过程中能够在对梯度算子进行优化之后得出图像的最佳边缘，应用这种算法能够实现对图像细节边缘丢失的问题进行解决的效果。并且在应用于图像分割的时候能够有效地提高分割的效果和分割的效率以及分割的精度。

6 结束语

受限于人们对于技术的了解和使用还不够成熟人们对于人工智能算法的应用水平还不够，人工智能算法在科学的不断发展过程中正在不断完善。相信在未来的发展过程中会有越来越多的智能算法被总结出来。对当前的一些已发现的算法进行有效的融合是人工智能算法发展的趋势。

参考文献：

[1] 王弈，李传富.人工智能方法在医学图像处理中的研究新进展[J].中国医学物理学杂志，2013，30（3）：4138-4143.

[2] 葛动元.面向精密制造与检测的机器视觉及智能算法研究[D].廣州：华南理工大学，2013.

[3] 张莉.几类神经网络的分析与优化及其应用研究[D].西安：西安电子科技大学，2012.

[4] 李作进. 基于视觉认知的自然图像目标识别研究[D].重庆：重庆大学，2010.