四川大学锦城学院 刘云川

西华大学 韩梦瑶

四川大学锦城学院 王浩全

四川大学电气工程学院 周子涵

西北工业大学 黄仕霖

在科学技术日益更迭发展下，人工智能技术被广泛运用到各个领域中，为社会大众的生活带来了诸多便利。在当前的图像处理领域中人工智能算法的运用受到高度关注，在图像处理中恰如其分地引入人工智能算法能显著提升图像处理质效，据此，文章人工智能算法概念和处理工作的内涵，阐述了图像处理中运用人工智能算法的优势，并探究了具体应用。

在信息技术的推动下高速计算机运应而生，作为普通计算机的进化，高速计算机的诞生可以高效完成计算机运算工作，同时还吸引了诸多专家学者深入研究人工智能算法，以期通过开发和研究，打破传统图像处理的方式，将人们从繁杂的图像处理和计算中解放出来，促进工作质效的提升，满足信息时代图像处理的基础。

1 人工智能和图像处理工作的概念

近年来，人工智能这种新型科技技术受到社会各界的关注，人工智能作为一种机器智能，可以帮助人类，还能根据人类的需求，开发智能化的技术，以提高社会大众工作质效和改善生活水为目标。人工智能防人类思维模式，但是不具备人类一样的独立思维意识，无法分析解决问题，因此，人工智能的本质就是拥有人类智慧，并服务于人类的设备和工具。

近年来，随着互联网技术和计算机技术日新月异的发展，当前我们已经步入了信息时代，各种信息数据成爆炸式增长的同时，图像处理工作量和处理难度也在日益提升。毋庸置疑，图像处理到多个领域，如，工业设计、军事应用、医学，图像处理工作主要就是依托各种技术和软件，将图像信息直接转化为数字信息，并将其上传到计算机当中，通过计算机处理器信息和图像。当前影响图像处理工作的因素有数学技术发展、计算机技术的发展等。

2 人工智能算法运用到图像处理中的优势

在图像处理工作中应用人工智能算法的优势主要体现以下几点，其一，能有效代替传统人工手工工作，再提高工作质效的同时，还解放了人工成本，人工智能高速率无休止的进行工作，促进图像处理技术的质效的提升；其二，在图像处理工作中运用人工智能算法，能打破传统图像处理当中图像切分不到位，图像识别不到位，促进了图像处理精准和价值的提升；其三，运用人工智能算法，能够预处理数据信息，并全方位地彰显存储信息的价值，同时还能最大化的发挥图片识别、保存、自我分析等功能，为之后高效处理图提供强大的支撑。

3 人工智能算法在图像处理中的应用

3.1 人工神经网络

人工神经网络所谓人工神经网络即利用对动物神经网络行为特征的模拟，构建出全新的智能算法模型，其特征在于可以利用模拟的神经网络进行数据节点分析及处理，以对最具价值的数据实施筛选，从而完成对图像的合理化处理。同时，基于人工神经网络算法下，不仅具备独立推理难处的能力，并且可以完成创新的自主学习，以及环境适应功能，这种优势的应用可以有效满足图像处理的需要，特别是在图像压缩处理环节，利用不同节点、层级设置不同数量节点，主要集中于图像的输出及输入层级，针对数据传输层级节点较少，以此来确保数据处理合理性和有效性。人工神经网络智能算法的应用，可大幅提升数据存储空间，并通过网络实施高效传输，以达到节约图像占用空间的目的，并在一种程度上提升行为效率，对图像进行精准高效还原。另外，针对该技术的深度应用，相关学者同样提出了不同见解，如利用多层BP网络实施图像处理，或者对图像进行分割处理，而在图像的分类方式选择上，主要是利用PCA提取数据特征，在分类染色体图像中也可利用神经网络完成。此外，神经网络在图像分辨率上优势显著，可以对手写数字进行精准识别。具体见图1所示。

图1 人工神经网络

3.2 遗传算法

遗传算法同样源自于人类对自然界的一种模仿，通过设计优化衍生而来的图像处理算法。其中主要以达尔文的进化论作为算法借鉴，通过对生物过程方面的研究和学习，使系统可以快速找到最佳的解决方案。遗传算法的优势在于操作简便，可以实现对图像的直接处理，以此来获得最优的解决效果，避免图像处理的各类问题。由于遗传算法本身具有综合性和复杂性，因此其框架的构建应基于诸多科学领域，包括函数优化、组合优化等。也由此，在图像优化分割及搜索优化分割层面，遗传算法得到了广泛应用。具体如图2所示。

图2 遗传算法的处理流程

3.3 蚁群算法

蚁群算法早在1992年，蚁群算法的概念便应运而生，其灵感与人工神经网络近似，都是基于自然界动物模型，主要是利用特定的原理寻求最优概率算法路径，它的根本参照主要是蚂蚁的觅食过程。在自然界中，蚁群在觅食的过程中会通过遗留信息，给予同伴指引而准确找到觅食路径，其具有信息量大和信息传输多的特点，因而信息的传递成为保证工作完成的基础。蚁群算法主要通过反馈性、适应性等优势的体现，实现图像处理中的最佳优化值，完成对图像的高效切分，即在最短的时间内找到最优的处理方式，大幅提升人工智能算法的效率。

3.4 退火算法

该算法主要是基于迭代策略为前提，并结合物理领域的固体退火原理，以随机方式寻求最优解的算法。在物体加热的过程中，当加热对象到达一定温度值后，对其实施快速冷却处理，而在加温的过程中，物体的内部粒子会因温度的变化而变化，呈现出无序的基本状态，其内能也将受到强化影响。但随着冷却过程的加入，物体内部粒子又会随着温度下降，由无序转化为有序状态，并在温度到达一定阈值时达到状态的稳定，内部值也降至最低。通过该算法在图像处理中的应用，可以依托其原理优势进行整体处理，即根据该算法的特点和规律，在图像的处理中可以强化效果和质量，包括利用SA对图像进行排版调整；应用SA阈值实施图像分割处理，以提升处理的速度。针对图像中所包含的汉子内容，同样可以通过算法进行识别，从而获得准确的处理结果。利用退火算法与遗传算法的有机融合，可以满足地图处理中自动着色的要求。据此，利用粒子群算法与不同算法的融合，实现图像处理系统的应用。退火算法流程如图3所示。

图3 退火算法流程图

3.5 粒子群优化算法

这种人工智能算法是根据鸟群铺食现象所研发出来的，粒子群优化算法针对性地选择群体中的个体信息进行修改，这种方式与上述所提及到遗传算法具有相似之处，主要是基于迭代的基础上所诞生的。但是粒子群优化算法与遗传算法也存在差异性，后者当中运用中变异和交叉方法，但前者却不具备，主要依靠搜索粒子的方式来确定图像当中的最优粒子，这种算法比较简化，因为粒子群优化算法用于模糊控制和函数优化，同时还可以运用到神经网络当中。现阶段粒子群优化算法主要用于解决优化图像问题，作为一种群体协作随机搜索方法，在图像处理中引入这种方法可以纳入多主体优化系统，检测图像边缘，解决图像细节边缘丢失的问题，从整体上促进图像精度和图像分割效率的提升。

总之，随着时代的日益发展，人类投入了人力物力加强对人工智能算法的研究，在图像处理中运用人工智能算法一方面可以提升图像处理精准和效率，另一方面促进社会大众生活水平的提升。随着人工智能的不断完善优化，相信今后人工智能算法会越来越先进，被广泛运用到各个领域中，助力社会的稳健长远发展。