人工智能大知识(2)：图像识别（以手写字符识别为例）

近期写一组关于人工智能的科普帖子。
第一帖先容了AI自动诊断的方法，本帖之后准备连续推出《人工智能大知识(3)：文本理解（以新闻分类为例）》，基本包括了人工智能几个常见的运用领域：智能数据剖析、打算机视觉、自然措辞处理。
敬请持续"关注"。
之以是号称"大"知识，是因虽为知识，但须要用点儿心去读。
以是这组帖子紧张奉献给爱动脑、勤思考的老铁们，没兴趣的礼节性点个赞可以忙自己的事情。
也可以先收藏了，或转发给别的可能感兴趣的朋友。
如果不太忙，留言辅导一下你爱看的帖子再走。

本帖通过手写字符识别的例子，向大家先容人工智能在打算机视觉（又称机器视觉）中的运用。
我在一个帖子中谈到过，智力的5个要素中，第一个便是感知力，也便是通过觉得器官感知现实天下的能力。
资料显示，人们从客不雅观现实中收到的信息，约80%来自于视觉。
以是，在人工智能中，对付视觉信息的研究具有很主要的意义和广泛的运用代价：人脸识别、医学图像诊断、军事目标识别、非常行为检测、遥感图像处理、自动驾驶、产品品相不雅观检测，等等。

一、特色提取与图像识别

只管我们对人脑何识别图像的事理并不完备清楚，但并不影响我们磋商AI识别图像的路子，特色提取便是行之有效的方法。
把稳图1红框区域，动物宝宝们的眼睛、鼻子、嘴巴各有什么特色？

图1 不雅观察动物定定们的各自特色，猜想打算机如何表述这些特色

如果你不知道如何表述动物宝宝们各自的特色就别费心了，由于用自然措辞确实不随意马虎准确地讲清楚。
打算机当然也"说"不出来，但它有自己的办法，便是打算。
"说"不出来的意思可以"算"出来，然后用数字表示图像的特色！

打算的工具是数，幸好，打算机"看"到的和影象(存储)的图像便是数。

关于把图像划分为像素点，进而编码为数字的事理和方法，请参考其他干系文献。
图2每个方格表示图像的一个像素点，每个像素点用一个0~255的整数表示：完备黑的像素值标记为0；完备亮的为255。
这样一幅图像就可以用多少行、多少列组成的一组数表示了。
图2对图像行列的划分比较粗，实际编码的像素点要小很多，也便是图像划分的行列数更多。

图2 图像数字化

我们看狗狗图像的上面部分，将其分为3个大方块，每一块仍包括许多个像素点，这样还是不利于概括这部分图像的特色。

如果规定一种打算方法（拜会后面图5），将一个方块中的"多个"像素值打算成为"一个"。
譬如，上面3个方块打算的值分别为：17、196、17，这3个数便是狗的两眼及两眼之间部分图像的特色值；类似地，狗狗其他部分也可以这样用这种方法表示其某一块图像的特色值。

图3 图像特色的提取

实际运用中，由于一幅图像的像素点很多，一次抽取出的特色值可能还比较多，这就须要在此根本上用同样的方法，对已经取得的特色值再进一步抽取特色值，即取得"特色值的特色值"。
这样的事情常日须要做5、6层（重），识别繁芜图像乃至须要更多层。
这便是深度学习之"深度"的含义。

图4 多层（重）特色提取

一样平常地，第一层（重）特色提取常日是检测特定方向和形状的边缘，以及这些边缘在图像中的位置；第二层（重）特色提取每每是检测多种边缘的特定布局，同时忽略边缘位置的眇小变革（池化）；第三层（重）则把特定的边缘布局组合成为实际物体的某个部分；后续的层次将会把这些部分组合起来，实现物体的识别。

二、深度学习与卷积神经网络

深度学习是目前机器学习的常用技能，在图像识别中广泛运用。
一样平常通过包含多层的人工神经网络实现，每一层完成一次图像特色的提取，把某些较细微的特色表示成更加抽象的特色，这些特色的提取、抽象过程都不须要人工干预和理解，完备由机器通过数据演习获取和认知这些特色，并在此根本上实现效果更好的识别和分类。
卷积神经网络是深度学习用于图像处理的常见模型。

卷积神经网络(CNN = Convolutional Neural Network) 是打算机视觉领域目前运用较多的一种机器学习方法。
紧张用于图像处理与剖析、车牌识别、人脸识别、物体检测与分类、自动驾驶等。

与普通神经网络比较，卷积神经网络中加入一个或多个分外的隐含层——卷积层。
每个卷积层的节点与上层节点并不完备连接，而是只连接个中相邻区域的部分节点，即一个感想熏染野。
详细的连接方法是，通过一个被称为卷积核的矩阵，譬如3×3的方阵，与输入层相对应节点值构成的同型方阵(感想熏染野)，做"点乘"运算，其结果便是卷积层的一个节点值。

图5 卷积神经网络

也便是说：输入层一个"感想熏染野"区域（3×3的方阵）的节点值，被"感想熏染"（运算）为一个单一值，映射到卷积层的一个节点。
这便是卷积神经网络提取图像特色的基本方法，也是提出卷积神经网络的最主要意义所在：网络自动提取和学习图像特色，这个特色被抽象为一个数值来表示。

根据前面先容的神经网络的构造不难明得，卷积核矩阵中的数相称于前面神经网络中的一组权值。
该组权值被确定后在该卷积层不再改变，称为"共享参数"。

节点的部分连接与共享参数是卷积神经网络的两个紧张特点。
下面我们利用卷积神经网络来识别手写数字字符。

三、手写字符识别

从打算机视觉的角度，一个手写字符被看作一幅图像，把这幅图像识别为一个字符的过程称为手写字符识别。
打算机为什么可以把手写符号2和Z分别识别为数字"2"和英笔墨母"Z"这样两个不同的字符？关键在于对不同字符形状特色的认识。
CNN正是通过卷积层不断捕捉和提取手绘图像中的特色。
我们以手写数字"2"的识别为例，学习CNN通过卷积打算提取图像特色的事情事理。

大略起见，令表示"2"的数字图像为二值图像，像素数为6×6，即图像的横向、纵向点阵均为6个像素点。
并规定有笔画的地方为玄色，用数值1表示；其他位置为白色，用数值0表示。
卷积核由3×3 = 9个数值构成，与输入层左上角区域9个节点数值做"点乘"运算，结果"5"保存在卷积层左上角节点位置。
卷积层这个节点值5代表了数字图像"2"左上角部分向右上的一段弧，这便是对"2"这个字符一部分特色的提取或抽象。
当然数字"3"、"8"等的图像相应的左上角部位可能也具有这样的特色，但随着卷积运算的进行，其他部位的特色将会把它们差异开来。
见图6。

图6 "2"的左上角部分图像的特色提取

卷积运算第二步，将输入层中的虚线框右移一位，所对应的输入值矩阵连续与卷积核矩阵作同样的点乘运算，结果为-2。
……

该卷积层4×4=16个节点的值，就代表了对字符"2"不同部分形状特色的抽象，抽象的结果用数值标识。
这是对字符图像较小局部特色的提取或抽象。

图7 卷积运算第二步，特色值"-2"的提取

将上述4×4=16个节点的卷积层作为下一级卷积运算的输入层，并对该输入层再次做相同的卷积运算，卷积核仍保持3×3=9个元素组成(详细元素值可能有所不同)，相对应的下一级卷积层则由2×2=4个节点构成。
这一层卷积运算是对上一层卷积运算所得图像局部特色的再次抽象，所得的4个结节值可以理解为数字图像"2"的左上、右上、左下、右下等4个部位形状的特色值。
末了还要加一个全连接层，构成一个完全的图像识别网络，其输出值便是一个手写字符识别的结果。

图8 完全的图像识别网络

小结：本帖先容了人工智能进行图像特色提取和识别的基本事理，先容了一种非常常用的深度学习方法：卷积神经网络，并通过该网络识别了手写数字2。
举一反三：其他数字、字符、图像等都可以通过这种方法识别。

向耐心读完的老铁致敬！
请点关注，静候《人工智能大知识(3)：文本理解（以新闻分类为例）》的出笼。
如有错讹之处，请各位高人批评拍砖，不吝见教。

#探求真知派# #科学思维看百态# #深度学习 图像识别#