基于深度学习的图像分类研究

刘明理,桂洋

北京工业大学信息学部微电子学院  100124

摘要：随着社会的发展，深度学习在计算机中的地位越来越重要，其相对于其它传统的机器学习方法的优越性也越来越突出。传统的影像分类方法，在面对海量影像资料时，都会出现一些不足之处，导致影像的正确率不高，且不能保证更高的运算速度，而以深度学习为基础的影像分类方法，则有效地解决了这一问题，并成为现今影像分类中的佼佼者。本项目将重点关注基于深度学习的影像分类方法，希望能对相关领域有一些借鉴意义。

关键词：深度学习；图像分类；增强算法

当前，图像分类对人脸识别，目标检测等方面的研究都起着至关重要的作用。从影像分类的观点来说，就是将一张影像作为输入，运用一定的分类算法，对影像的特定类别进行评价。影像的分类分为三个阶段，第一阶段是影像的预处理阶段，第二阶段是影像的特征抽取阶段，第三阶段是分类器的设计阶段。其主要作用是防止影像中出现的某些无意义的信息，保证对数据进行有效的精简，并将有价值的信息完全保存下来，从而提高特征抽取的适用性和可靠性。在影像分类领域，深度学习的重要性日益凸显，可有效规避影像分类所面对的种种障碍。本项目以深度学习为基础，对基于深度学习的影像分类方法进行研究。

1深度学习

1.1深度学习方法和架构

根据学习框架，深度学习可分为生成框架、判别框架和混合框架。它的产生体系结构模型有：限制波尔兹曼机，自动编码器，深度置信网络等。鉴别结构的建模方法有：深度前馈网络，卷积神经网络，以及其他一些常用的结构。

1.2深度学习的发展

在2006年，深度学习的概念被正式引入，由 Hinton等人提出，该方法是一种网络结构，不但包含了许多隐藏的层次，还拥有许多的感应器，能够更加直观地描述目标的特性。因为深度学习是一种比较特殊的方法，它属于高维矩阵域，以前因为计算性能上的缺陷，它的计算能力比较弱，所以它的计算速度比较缓慢，无法满足大规模计算的需求，所以它的发展一直处于停滞状态。

随着计算机性能的不断提高，其处理能力和处理速度都得到了极大的提高，而目前的高性能计算机的优势更为明显，可以有效地解决深度学习所面临的大规模矩阵处理问题。因此，随着深度学习的发展，它也渐渐进入了一个黄金时代，各种各样的算法和模型层出不穷，并且被越来越多的企业所采用。比如，我国自主研发的无人机，以深度学习为载体的一系列技术得到了高度重视，并在“百度无人驾驶汽车”的研究工作中体现出了自己的价值。

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

由于受多种因素的干扰，使得对所获得的图像进行识别时，很难获得有效的信息。在这种情况下，应该采取适当的措施来对图片进行优化，而图像去噪算法在其中起到了关键的作用，它与神经网络模型作为主要的载体，可以很好地处理高噪声的图片。秦品乐等针对这一问题，提出了一种基于深度学习的算法，该算法适用于图像降噪，并通过将采集到的数据与原始数据进行非线性映射，实现对原始数据的复原。试验证明，该技术方案借助于卷积网络，可以达到对图像进行降噪的目标。王纯等针对低信噪比的图像，提出了自己的看法，一种是利用深度学习中的卷积神经网络来实现对实际场景的降噪，另一种是利用最小二乘法来构造非局部权重的降噪方法。试验证明，本文提出的两种方法都是有效的，可以很好地用于低信噪比图像的降噪；相对于低信噪比的实验方法，高信噪比实验方法显得更为繁琐。吴祥威等人以深度学习为出发点，通过对隐藏层的参数进行优化，克服了多层次感知器模型的缺陷，提出了一种适用范围更广的降噪模型。

从图象处理的观点来看，图象去噪在图象处理中占有重要的地位，其目的是要把图象的辨识信息提高到一个新的高度。尤其是在安全检查和医学检查中，想要更好的进行身份验证，就需要一张清晰的照片作为依据。

2.2深度学习在图像分类算法上的应用

在影像分类中，最关键的就是影像的特征抽取，而影像的正确与否将会直接关系到影像的后续分类效果，因此，将深度学习引入影像分类是影像分类的发展方向，也是影像分类的发展方向。林妙真等人从面部识别的角度出发，设计了一种基于深层网络结构的算法，并在试验中发现，这种方法可以改变图像的分辨率，从而提高对多种姿势的识别能力；随着对深度学习研究的重视，以及对面孔识别技术的重视，陈瑞瑞等学者通过对以往面孔识别方法中的缺陷进行了深入的研究，并对其进行了较好的改善，试验表明，卷积网络是一种有效的方法，可以有效地提升面孔识别的准确率。王爽等人对深度学习和影像分类之间的关系进行了探讨，他们的基础是两个：一是单一标签影像；其二是多标签图像，在 PCA和 LDA算法的影响下，减少了对单标签图像特征的处理难度，之后以 SVM和 KNN分类器为主要手段，开展分类工作，以促进多标签图像复杂分类的特征提取得以成功实现。

进入21世纪，基于深度学习的图像分类方法得到了广泛的应用。国内知名的百度，在进行影像分类时，也是采用了神经网络技术，在准确率上，已经达到了90%以上。

2.3深度学习在图像增强算法上的应用

图像增强是图像处理中不能被分割开来的一个环节，它可以将图像中的特征区域表现出来，避免了图像的视觉效果大打折扣，从而降低了机器和人类的识别难度。崔盼盼等人充分意识到了图像超分辨率技术的重要性，并将其与深度学习理论进行了有效的融合，从而给图像增强技术带来了新的生机。他们还对基于卷积神经网络的超分辨率算法进行了优化，使得经过处理的图像更加清晰，符合人类的视觉需求。丁雪妍等人进行了图像增强处理，利用卷积神经网络提高了图像的分辨率，试验结果显示，在这项技术的帮助下，人们对于水下图像的分辨率有了一个新的认识。

在二十一世纪，随着科学研究的发展，深度学习和图像增强技术的联系变得更加紧密，为提高图像的视觉质量，研究者们利用各种方法对其进行模型训练，从而使其取得了巨大的进步。

3.结语

综上所述，深度学习和图像分类有着密切的联系，在未来的工作发展过程中，应该对图像分类工作给予足够的关注，并通过合理的方法来提升它的专业性，并持续地学习关于深度学习的相关理论，从而对深度学习的内涵、特点等有一个清晰的认识，从而让它能够更好地在图像分类中发挥自己的功能。

参考文献

[1]许淑扬.深度学习框架Caffe在图像分类中的应用探析[J].信息与电脑(理论版),2019,31(23):95-96.

[2]阳赵阳.深度强化学习在图像辅助控制及图像分类中的应用研究[D].华南理工大学,2018.

[3]李新国.基于深度学习的图像分类及其在高光谱图像中的应用研究[D].南京航空航天大学,2016.

[4]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36.

[5]王曙.深度学习算法研究及其在图像分类上的应用[D].南京邮电大学,2016.

[6]万磊,佟鑫,盛明伟,秦洪德,唐松奇.Softmax分类器深度学习图像分类方法应用综述[J].导航与控制,2019,18(06):1-9+47.