基于机器学习的计算机网络图像识别系统

李浩恺 ,熊文杰,张坤龙

河南工学院 河南省新乡市 453003

摘要：随着人工智能技术的快速发展，机器学习的网络图像识别技术在计算机视觉系统科技智能化和生产生活中逐步取得了重大成功。在此基础上，通过机器学习具备交叉验证、拟合、精准性、特征选取和降维等图像特征构建计算机网络图像识别系统，结果表明:机器学习算法通过决策树单元交叉验证、偏差等操作，提升了计算机图像识别稳定性和多领域应用性;机器学习算法的特征向量提取、边缘信息、纹理特征等识别技术提升了图像识别精准度。

关键词：图像识别;应用;机器学习;计算机系统;识别技术

本研究采用效率高、精准度优质的机器学习算法为图像识别技术依据，通过神经网络智能控制、特征向量提取、识别、信息组合优化和分类等方式应用在网络图像识别系统中，一方面增强数字图像识别正确概率，另一方面使智能图像识别功能更为系统且全面。以此，通过分析机器学习图像识别精准度、特征向量等指标，为机器学习图像识别系统设计、实现和应用方案提供一定的科学参考价值。

1机器学习的图像识别建设原理探索分析

1.1 系统整体架构设计原理分析

当前，在智能技术研究领域中，图像识别系统技术对提升图像解译精度、解决图像特征像素实际问题极为关键。在此基础上，本研究通过拟合、偏差和交叉验证精度出色的机器学习算法进行图像识别系统的构建，其图像识别系统整体流程如图 1 所示。

图1机器学习模式下图像识别系统整体流程示意图

1.2 机器学习计算机图像识别技术分析

在计算机图像识别早期，其具备信息可存储、可压缩和图像失真率低等优势，但随着现代科技的不断进步，计算机图像识别逐步向智能化、人工化方向进行拓展，并逐渐形成了多类型（机器学习、遗传算法、神经网络等）图像识别技术，其中，神经网络技术在图像识别技术中极为关键，其主要通过构建合理的数学预测模型，通过输入信号线性加权、求和和阈值法分析图像结构的基本属性，即在新型图像识别技术中进行相关图像信息特征向量提取和选择。

2 计算机机器学习图像识别技术的设计与实现

2.1 机器学习算法设计

随着图像识别领域作用的不断提升，高层次、全方位的智能化机器学习算法的合理应用则极为关键。机器学习算法是涉及多领域交叉学科（概率论、统计学、凸分析等）的综合分布式数学模型算法，机器学习通过提取 / 选择的特征子向量对图像输入特征进行特征向量的提取，将提取目标图像的特征向量进行多次模拟分类和识别预测，同时在此基础上，通过图像数字化特征信息进行计算机网络图像识别分类过程，其将标准图像信息数据原始机器学习模型体积尽可能压缩降低，从而将压缩训练（通过训练集和测试集进行反复测试）的标准模型部署于计算机图像识别中心，实现高效、准确和科学的图像识别、对比、分类和存储的功能。

本研究为更深入掌握机器学习在图像识别中算法设计核心内容，首先通过探析机器学习的人工神经单元，结果发现当单一神经单元在学习识别特征向量过程中相互接受其他神经单元输入信息，并通过信息交叉验证、分析和分类输出后，将信息特征传递至单一神经元处进行系统的数学分析，及形成机器学习算法感知层、输出层、隐藏层的数学模型系统分析模式，结果如式（1 ～ 3）所示。在机器学习算法中，应用较多的是多层感知器，三层感知器中，b 为偏值，输入向量为 X=(x1,x2,x3,…,xn)t ，输出层输出向量为 Y=(y1,y2,y3,…,yn)t ，隐藏层输出向量为O=(o1,o2,o3,…,on)t。 对机器学习隐藏层为：

对机器学习输出层为:

2.2 机器学习方法的图像识别处理基础流程

2.2.1 图像特征选取

由于本文设计以机器学习方法为基础，构建计算机网络图像识别智能系统，因此在进行单一识别图像时，合理的选取检测图像的特征向量对提升检测识别精度极为关键。而本文图像特征选取过程中，首先以相关性进行初步处理，即通过选取的网络图像特征过滤（featrue map，FM）实现单一维特征相关性评分，其次进行阈值过滤（一般阈值过滤分析以选择法、卡方检验、皮尔逊相关系数、F 检验法以及多重共线性方差膨胀因子法 [4]）分析处理，实现计算机网络图像识别过程中去除相关性较差或多余的特征向量；最终，经阈值过滤后，将选取的单一维特征向量结合在机器学习算法中，通过经验模型评估分析预测生成的多组特征，以此选取相关性强的特征组合作为本文识别检测、学习分析的图像基本特征向量。

2.3 图像识别处理过程分析

目前，在智能化机器学习得图像识别系统中，依据信息识别技术和处理类型分为神经网络图像识别技术和非线性降维图像识别技术等，其中非线性降维计算机图像识别是主要针对数字图像识别中异常高维问题进行探索分析，例如当在低分辨率图像中进行高维度数据获取，即在 250 M×250 M像素的低分辨图像中高维度数据位于 62 500 M 空间中，由于高维空间数据获取过程中计算量大、数据存储量大、数据栅格类型和图像特征要素多，造成高维度图像空间特征数据、向量识别系数难度大，造成图像识别精度低，因此通过非线性图像识别技术将高维度特征值进行降维运算，实现图像基础数据分割，进而有效的提升图像在处理过程中的识别精度和效率 [6]。其次，在进行计算机图像识别过程中，由于机器学习算法所产生的图像要素信息众多，若仅进行逐次识别过程，不仅会造成图像特征信息提取、识别等精度问题，而且耗费大量的机器学习计算机能力，在此基础上，合理开展图像识别预处理过程，有助于降低机器学习图像识别方法的误判率。采用预处理过程图 2，通过图 2 可知，首先将采集的原始图片数据进行灰化和简化黑白，通过灰化和黑白对比度算法增强图像特征像素指标，其次，提取图像像素分布规律，为图像特征向量提取进行预处理过程，提升图像识别过程中特征向量匹配度，进而通过机器学习的系统、交叉验证的多重对比提升正常图像信息和非正常图像信息的划分，实现图像识别智能化等级的提升。

图2机器学习方法图像识别技术方法流程

2.4 计算机识别系统功能模块实现分析

在计算机图像识别处理过程中，系统功能模块（如图像转化、边界去除、特征向量筛选、提取等）发挥着至关重要的作用，而本文功能模块实现流程如下：（1）功能模块组成单元以特征向量筛选、机器学习模型训练、图像显示区域、预测分类显示区域、预测结果生成等为主 [8]；（2）通过各组成功能单元，经硬件设备打开摄像头获取原始图片资源，并对原始图片进行降维、特征向量选取等过程；（3）将选取的计算机图像特征要素导入以主成分分析为主的特征向量模型，进行所识别图像的特征分析及提取；（4）在识别分析后，将新的图片载入到预训练好的模型中预测分析，生成对该图片的识别结果；（5）将机器学习的图像特征预测结果输出至新文本框中，并进行尺寸调整、亮度调整、条带调整、纹理调整和分辨率调整等过程。

4结论

通过机器学习算法的交叉验证、测试集及训练集的重复性测试识别特性构建计算机网络图像系统，提升了计算机图像识别智能性、效率性、安全性和精准性，同时机器学习方式实现了多图像的特征向量、颜色、边缘信息和纹理特征的识别分析，使该技术在多领域应用中的作用极为关键。

参考文献

[1] 付正广 . 计算机图像处理与识别技术的应用研究 [J]. 黑龙江科学 , 2021, 12(24): 110-112.

[2] 孙文轩 , 张笑恒 , 张杉 , 等 . 基于优化 PSO-BP 的多特征融合图像识别算法研究 [J]. 青岛大学学报 ( 工程技术版 ), 2021, 36(2): 72-82.