人工智能知识全面讲解： 图像识别的准备工作

11.1 图像识别的准备工作
11.1.1 从电影走进现实

早在1968年，经典的科幻电影《2001太空漫游》描述了这样一个片段：影
片中的赫伍德教授在登陆环形空间站时，需要进行一个“声影测试”的身份验
证，验证通过才能进入。这也是当时人们的美好愿望，希望到了21世纪，我们
不再需要验证任何账号密码，计算机根据我们的脸或声音就能识别出我们的身
份。
经过近50年的发展，人脸识别技术从电影的幻想逐渐走进了人们的日常生
活，成了我们日常安检、考勤、支付等不同领域的得力助手。同时国内外的算
法团队不断刷新人脸识别的准确率，相关的产品与应用层出不穷，人脸识别技
术一时间成了最热门的生物特征识别技术。这一切的背后得益于图像识别技术
的蓬勃发展。
对于人类来说，视觉是与生俱来的，从小我们就能通过眼睛接收外界的景
象。虽然小时候我们不太认得每个东西是什么，但是我们已经具备识别物体的
能力。婴儿能够感知到什么样的物体在其面前，这个物体的边界在哪里，只是
还不会表达这是个什么样的物体。人类识别图像的过程并非将过往看到的画面
全部存储，然后再把当?看到的画面与过往画面进行比对以识别物体，而是依
靠物体的特征对物体进行分类，通过各个类别所具有的特征将物体识别出来。
随着不断的学习，很快我们能分清楚眼中看到的哪些是树，哪些是房子，哪些
是小鸟。在这个过程中，我们的大脑会根据存储记?中物体的特征对图像进行
辨认，查看是否存在与当前看到的物体具有类似特征的存储记?，从而识别出
眼前看到的是什么物体。值得庆幸的是，识别与分类这两件事对正常人来说是
一件非常简单的事情。
机器的图像识别技术也是如此，计算机若想跟人类一样能够辨别看到的物
体，同样需要具备识别物体与分辨物体的能力。首先识别到是什么物体，物体
在哪里，然后通过分类并提取重要特征达到识别图像的目的。计算机提取出的
特征在很大程度上直接影响了识别图像的准确率，但是计算机并非每次提取的
特征都能够满足我们的需要。上述每一个任务对于计算机来说都有一定的难
度。因此接?来，我们将探究图像识别的原理以及面临的问题，并分析科学家
是如何用一种特殊的神经网络来解决这些问题的。
人类的眼睛就像是一个接收器，而大脑则是一台超级计算机。大脑每时每
刻都在从眼睛接收图像，并在我们毫无意识的情况?完成了对这些图像的处
理。但机器并非如此，在机器中图像识别大致可分为以?几个步骤：图像采
集、图像预处理、特征抽取和选择、分类器模型设计和分类决策。在这个过程
开始之前，首先我们要知道一幅图像对于计算机来说意味着什么，然后理解计
算机如何表达一幅图像，进而读取图像、识别图像。
11.1.2 图像的表达
在计算机的世界里，每一幅图像都是由大量的小格子组成的。一个小格子
代表一个色块，我们常说的数字图像就是指用不同的数值来表示不同的颜色的
图像，这样一来，一幅图像可以用一个数字矩阵来表示。也就是说，这一整个
矩阵就是一幅图像的数字表达形式。图像的小格子称为像素，格子的行数与列
数统称为分辨率。比如我们常说的某幅图像的分辨率是1920×1080，指的是这
幅图像由1920行、1080列的像素点组成，如图 11-1 所示。反过来说，如果给
出一个由数字组成的矩阵，我们同样可以将矩阵中每个数值转换为对应的颜
色，再组合起来，还原这张图像原本的样子。

图像一般分为灰度和彩色两种。对于灰度图像，像素点间的区别只在于明
暗程度不同的灰色，因此可以用数值来表示不同的灰度，通常我们认为白色是
最亮的“灰”，用255表示；黑色是最暗的“灰”，用0表示，介于0～255之间
的整数表示明暗程度不同的灰色。
对于彩色图像，每个颜色所代表的这些数字不是随机生成的。常见的编码
方式有RGB模型与HSV模型两种。在RGB模型中，每一个像素的颜色都是由红、
绿、蓝三个通道混合组成的，也就是说每个颜色都是由这三个基础颜色混合而
成的，如图11-2所示，对于每个通道，都可以用一个八位的二进制数来表示明
暗程度。因此，我们还是用0～255之间的整数来表示这个通道不同程度的明暗
变化。例如橙色的RGB值为（255,97,0），表示橙色由255份红、97份绿混合而
成，某种基本颜色的数字越大，表示该基本颜色的比例越大。
另一种常用的色彩模型HSV则是采用色调、饱和度、明度这三个分量来表
示不同色彩，如图 11-3 所示。色调表示色彩信息，即这个颜色所处的光谱颜
色的位置。该参数用角度来表示不同的颜色，就像调色盘一样，其中红、绿、
蓝分别相隔120°；饱和度是一个比例值，范围为 0%～100%，它表示所选颜色
的纯度和该颜色最大的纯度之间的比率。当纯度为0时，表示只有灰度没有色
彩；明度表示颜色的明亮程度，通常取值范围为0%（黑）～100%（白）。对于
光源色，明度值与发光体的光亮度有关。对于物体色，明度值和物体的反射比
有关。例如蓝色的HSV值为（240,1.0,0.4），而浅蓝色为（240, 0.4,1.0），
每个数字对应的含?不同。

 

 

在图像识别领域，通常用RGB模型来描述像素点的不同颜色。因此一幅彩
色图像可以用一个由整数组成的立方体阵列来表示，我们称这样的数字阵列为
三阶张量。这个三阶张量的长度与宽度为图像的分辨率，高度固定为3，表示
由R、G、B三个颜色通道组成 。有了这样的表示方式，我们就完成了令计算机
理解图像的第一步，即多彩的图像被转变成了数字，并且保留了原有图像的特
点。
11.1.3 图像采集与预处理
在前文中我们提到，图像识别主要分为以?步骤：图像采集、图像预处
理、特征抽取与选择、分类器模型设计和分类决策，如图11-4所示。

 

图像采集是整个图像识别过程的第一步，主要借助于数字摄像机、扫描
仪、数码相机等设备经过采样数字化得到静态图像，也包括一些动态图像。
获取图像的目的是从扫描仪中的传感器获取数据并产生数字图像。但是传
感器输出的是连续的电压波形，因此需要把连续的感知数据转换为数字形式再
转码成图像。这一过程通过图像的取样与量化来完成。数字化坐标值称为取
样，数字化幅度值称为量化。在取样时，横向采取的像素数量与纵向采取的像
素数量相乘即是该图像采集时的分辨率。一般来说，采样间隔越大，所得图像
像素点数越少，空间分辨率越低，图像质量越差，严重时甚至会出现马赛克现
象；采样间隔越小，所得图像像素点数越多，空间分辨率越高，图像质量越
好，但数据量大，如图11-5所示。
量化等级表示在数字图像中每个像素点的取值范围。常用的量化等级有
2、64、256、1024、4 096、16 384等。在量化时，采用的量化等级越高，所
获得的图像层次越丰富，分辨率越高，图像质量越好，但同时数据量较大；采
用的量化等级越低，图像层次越不明显，灰度分辨率越低，这会导致出现假轮
廓现象，且图像质量差，但数据量小，如图11-6所示 。

 

 

从以上两个图中的效果对比可以看出，数字图像的质量在很大程度上取决
于取样和量化中所用的样本数和灰度级，因此根据需求决定取样量化标准是采
集任务的关键。
我们在前文中讲解搭建“信用卡逾期风险评估”的模型时说过，采集到的
初始样本数据会存在各种问题，需要经过数据清洗等预处理才能供模型使用。
同样，通过采集得到的图像并非直接让计算机识别，这些图像也存在各种各样
的问题，我们需要通过图像预处理技术让图像变得更容易被计算机识别，常见
的预处理技术如图 11-7 所示。我们采用去除噪声、提高图像清?度、图像增
强等一系列的方法提高图像的质量。无论采用什么方法，最终的目的都是希
望能够使图像中物体的轮廓更清晰，细节更明显，从而强化图像的重要特征
。

 

经过以上步骤之后，可以得到一幅清?、分辨率较高的图像。图像对人眼
来说是层次感分明的，我们可以清?地看到每个物体的轮廓。但是对计算机来
讲，这可不是一件容易的事情，因此，接?来我们要想办法告诉计算机，这幅
图像描述的是什么，才能让它进行正确的分类或识别。
?一步我们要进行特征的选择与提取。先回想一?，当我们向别人描述两
个其从未见过的物体时会如何描述呢？通常我们会对这两个物体的特征进行对
比。例如描述一张桌子和一架飞机时，我们说“有四条腿”的是桌子，“有机
翼”的是飞机。通过这俩简单的特征就能区分这两类物体的图像。但是对于计
算机来说，一幅图像就是以特定方式存储的数字矩阵，让计算机通过计算，从
这个数字矩阵里提取“有四条腿”“有机翼”这样的特征是极其困难的事情。
那么什么样的算法适合去学习这些特征呢？我们首先能想到的当然是拥有
强大表现力的神经网络。理论上我们可以用常规的BP神经网络来学习图像的特
征。但在实际操作中我们会发现，使用这种方法的成本非常高。假设我们拿一
幅 720 像素×1080像素的常规图像，输入神经网络模型时会形成720×1080个
输入数据，再加上大量的参数运算，计算机的计算量会增加到难以想象的程
度。此外，采用神经网络识别特征很容易产生过拟合的现象，所以不仅增加计
算支出，还会削弱面对新数据时的识别能力。因此计算量与过拟合这两方面的
问题都让BP神经网络在图像特征学习面前举步维艰。