摘要：近年来我国科学领域进步迅速，电子图像处理中智能化识别技术也因此实现广泛应用。基于此，本文将简单分析电子图像处理中智能化识别技术的应用，并围绕基于GA-BP神经网络的计算机智能化图像识别技术应用开展深入探讨，希望由此能够为业界发展带来一定启发。
关键词：智能化识别技术；电子图像处理；GA-BP神经网络
前言：作为人们日常生活的重要组成部分，电子图像在我国各领域均发挥着较为关键的作用，而在智能化识别技术支持下，电子图像处理可较好服务于监控、安防等领域。为保证电子图像处理能够得到智能化识别技术的更为有力支持，正是本文围绕该课题开展具体研究的原因所在。
1.电子图像处理中智能化识别技术的应用
1.1技术特点
在智能化识别技术的支持下，电子图像处理会受到基础设施、技术条件、人力因素的限制，但同时也具备转换功能优秀、可灵活运用、图像像素保护、人工可操作性较高等特点。转换功能优秀使得电子图像处理可随意变换图像，可灵活运用则能够基于需要实现电子图像的微调，图像像素保护可避免图像丢失、原有面貌改变问题出现，较高的人工可操作性则使得电子图像处理能够融入人的情感色彩。值得注意的是，近年来智能化识别技术的发展较为迅速，电子图像处理因此具备更高的识别灵活性、更清晰的图像识别、升级的呈现表达，图像成像维度的突破也由此实现[1]。
1.2具体应用
在我国医疗、社会服务、艺术、科研等领域，基于智能化识别技术的电子图像处理均有着较为广泛应用，这类应用的具体路径如下：（1）医疗领域。CT影像技术在医疗领域发挥着关键性作用，该技术便属于电子图像处理中智能化识别技术在医疗领域的典型应用，通过医生专业知识与计算机快速识别的结合，病症诊断的效率、准确性大幅提升。此外，在生物工程领域，智能化识别技术可较好用于细胞组织结构、纤维机构、微生物的观察，实验的准确性可由此大幅提升。（2）社会服务领域。智能化识别技术还能够较好用于社会服务领域，我国很多银行配备的超级柜台便得到了该技术下的电子图像处理支持，简单的开户、账户绑定等工作均可在智能化识别技术支持下通过超级柜台完成，业务办理时间在较高的作业精确度支持下实现了有效节省。此外，近年来我国各地探索的无人超市同样应用了智能化识别技术，配合网络技术，无人超市实现的人脸识别使得我国零售业正掀起一场变革呃（3）艺术领域。智能化识别技术在艺术领域同样有着较为广泛应用，立体投影、3D电影均属于电子图像处理的技术应用典型，美轮美奂的仿真效果、令人震撼的图像清晰度直观展示了智能化识别技术的应用优势。（4）科研领域。科研领域的智能化识别技术应用同样较为普遍，对于科研工作常涉及的纳米级或超大物体图像来说，该技术支持下的电子图像处理可实现相关图像的准确采集，各种环境因素干扰也能够由此得到较好排除，由此获得的多角度、有效的图像数据，可较好服务于科研工作的开展[2]。
2.技术的具体应用
2.1神经网络识别法
在电子图像的处理中，神经网络识别法属于应用较为广泛的智能化识别技术，该技术的应用可实现大规模并行的电子图像处理，分布式存储及处理也能够同时得以实现。学习属于神经网络识别法的基本特性，通过调节神经网络的权值、阈值，开展神经网络训练和学习，即可最终形成有序状态。BP神经网络学习算法属于神经网络识别法的一种，该算法属于典型的梯度下降法，为实现BP神经网络学习算法应用的期望值均方误差及实际输出值误差最小，该算法的应用必须针对性调整阈值与权值，BP神经网络学习算法的应用流程可概括为：“①初始化→②给定目标函数与输入向量→③求输出层、隐含层各单元输出→④求实际输出与目标值偏差→⑤判断偏差值是否满足要求→否→⑥隐含层单元误差计算→⑦误差梯度求解→⑧权值学习→⑨重复③-⑤环节→是→⑩全部ei满足→结束”。
2.2 GA-BP神经网络智能化识别技术
基于神经网络识别法与BP神经网络学习算法，本文研究主要围绕GA-BP神经网络智能化识别技术在电子图像处理中的应用展开，该技术属于BP神经网络学习算法的改进算法。深入分析可以发现，BP神经网络学习算法存在收敛速度较慢、训练时间较长、容易出现局部极小等问题，因此本文研究引入了GA遗传算法，通过结合GA遗传算法与BP神经网络学习算法，GA-BP神经网络智能化识别技术得以实现，未成熟收敛缺点可通过全局搜索得以避免，全局最优解收敛也能够由此实现，较强的鲁棒性、充分发挥的非线性映射能力使得该技术的学习能力较强且收敛速度较快。
GA-BP神经网络智能化识别算法的应用流程为：“网络权值随机初始化→学习样本输入→输出层、隐含层神经元激活函数值计算→修改网络权值、误差逆传播→达到初始群体规模→是→实数编码→选择/交叉/变异→计算适应度→满足优化准则→否→低于优化要求→是→最优个体解码→完成给定精度学习→结束”，这一过程中的重复学习环节较为关键。为满足电子图像处理需要，GA-BP神经网络智能化识别技术在应用中需要构建GA-BP网络分类器，并建立图像识别模型，该模型采用双隐层BP网络分类器样本训练方式，在电子图像分割、去噪后，即可进行图像的逐行逐列扫描，其中黑色像素特征值、白色像素特征值分别取1与0，以此形成特征向量矩阵，该矩阵的像素点数量与图像相同，由此采用相应的特征向量、图像信号，即可完成BP网络训练，具体训练过程包括选择学习速率、选择训练算法等内容。
2.3仿真应用
基于GA-BP神经网络智能化识别技术开展电子图像处理的仿真应用，围绕中国邮政服务数据库编码集开展仿真，通过围绕7285个训练样本、2000个测试样本、Matlab文件形式开展的仿真，可求得图1所示的BP神经网络学习算法与GA-BP神经网络智能化识别算法收敛曲线，二者的识别率分别为92.5%、98.7%，由此可直观了解后者在电子图像处理领域具备的显著优势。
图 1 收敛曲线对比
结论：综上所述，智能化识别技术可较好服务于电子图像处理。在此基础上，本文涉及的GA-BP神经网络智能化识别技术等内容，则提供了可行性较高的智能化识别技术运用路径，为更好实现电子图像处理，业界还应围绕智能化识别技术开展更为深入的研究。
参考文献：
[1]于婷.计算机图像识别的智能化处理技术瓶颈与突破[J].信息与电脑(理论版),2018(21):3-4.
[2]李军,李刚.计算机智能化图像识别技术的理论性突破[J].电子技术与软件工程,2017(06):139.
论文作者:文龙
论文发表刊物:《科技新时代》2019年5期
论文发表时间:2019/7/23
标签：神经网络论文; 技术论文; 图像处理论文; 电子论文; 图像论文; 算法论文; 领域论文; 《科技新时代》2019年5期论文;