基于深度学习数字图像识别技术设计.pdf

基于深度学习的数字图像识别技术设计 摘要： 本文介绍了图像识别和深度学习基本原理和流程，深入分析了 softmax 回归算法， 设计了数字图像的识别模型，在 TensorFlow 上使用 softmax 回归算法实现了数字图像的识 别。实验表明，使用TensorFlow 能够快速实现图像识别、自然语言处理等相关的机器学习 和深度学习算法，可靠性和准确性较高。 关键词： 数字图像识别；深度学习；TensorFlow ；softmax 回归 1 引言 1.1 图像识别技术 图像识别是模式识别技术的一种，特指对图像类模式的识别。图像识别过程主要包括训 练和测试两个阶段。训练阶段对图像特征进行训练得到分类模型，测试阶段可以利用已训练 模型得到识别结果。以上两个阶段主要由图像预处理、特征提取及分类三个环节组成。 在图像识别中，首先要对获取的图像进行预处理，目的是去掉图像中的噪声，把它变成 一幅清晰的点阵图，以便于提取正确的图像特征。预处理主要对图像进行几何变换、格式变 换、图像滤波，得到满足需要的改进形式。其次要对图像中的目标进行分析，提取正确代表 不同目标物特点的特征参数（图像特征）。对图像进行特征提取后，具备将一个目标或场景 的不同影像进行匹配。最后要对图像中目标物进行识别和解释。设计分类器，建立分类模型， 对图像中目标物进行识别和分类。 机器学习作为图像识别实现的主要方法，其实现方法、工具、性能仍难以满足当前需要， 应用时也存在一定的困难，在信息化，智能化的时代背景下，本文主要利用Google 第二代 人工智能平台TensorFlow ，使用softmax 回归算法实现数字图像的识别。 1.2 机器学习及实现流程 机器学习能够通过先验学习获取经验，自动分析数据获取规律，重新组织已有知识、结 构，并不断完善自身性能，让计算机在无事先明确编程的情况下做出正确的响应。机器学习 主要从已知数据学习获取正确经验或规律，然后利用该经验或规律推理其中未知的、潜在的 概率分布等重要信息，提示数据样本中变量（特征）之间的关系。 机器学习主要有两个方向：一是监督学习，它主要解决分类和回归问题。分类主要任务 是将实例数据划分到合适的分类中，而回归主要用于预测数值型数据；二是无监督学习，它 是将数据集分成由类似对象组成的多个类的过程，即聚类；或者将寻找描述数据统计值的过 程，即密度估计。在构建机器学习模型选择算法，首先要明确机器学习算法的目的。如果想 要预测，则选择监督学习算法，再考虑目标变量类型，如果预测值是离散的，则选择分类算 法，如果预测值为连续的，则选择回归算法。如果不想预测，则选择无监督学习，如果需要 将数据划分为离散的组，则使用聚类算法；然后要分析数据集。由于机器学习的同类算法很 多，为了缩小算法的选择范围，需要充分了解数据，对实际数据了解越充分，才能选出最切 近该问题的算法。 机器学习应用程序开发过程中，首先需要收集数据。如制作网络爬虫从网站爬取数据 等；接着要格式化数据源，确保数据格式符合要求；然后将格式化的数据输入到算法，即训 练算法，从中抽取信息；算法训练好后，测试算法的工作效果，检验算法的成功率；若不满 意可修改前面步骤，最后将机器程序转换为应用程序，执行实际任务。 1.3 TensorFlow 2015 年9 月，Google 发布了其第二代人工智能系统——TensorFlow ，一个开源机器学 习软件资源库。它是目前最受欢迎的机器学习算法框架，支持多种开发语言（本文使用的为 python ），支持异构分布式系统部署。TensorFlow 即支持深度学习算法，也实现了很多其他 算法，例如线性回归、逻辑回归等。 2 数字图像识别模型的设计与实现 2.1 数据采集 本模型主要用MNIST 数据集进行训练，而验证和测试部分采用不同来源的数字图片， 从而验证正确率。MNIST 数据集在TensorFlow 官网上下载。MNIST 数据集由训练集、验证 集和测试集三部分构成，其中训练集有 55000 个样本，验证集有 5000 个样本，测试集有 10000 个样本。每一个样本都有它对应的标签信息(label)用来描述样本中的数字。MNIST 样 本描述的是一个28 × 28像素的灰度图片，可用一个长度为784 的数组来表示一张图片。图 片样本虽然丢弃了图片二位结构的信息，但由于分类任务比较简单，这种数据简化，可以选 择比较简单的分类算法实现模型。这里我们对官方程序稍作改进：训练样本仍用