计算机图像识别

shentao561

每当计算机拍摄一张照片时（你也可以认为计算机是数码相机），它都会把这种模拟信号转换成数字信号并记录到计算机储存中，而这个数字信号在显示缓存中都是一种二维矩阵（二维数组），让计算机储存一张图片就相当于让计算机储存了一个二维数组，上面提到小孩子记住“0”的长相，那么我们就可以说计算机记住了这张图片的长相信息，接下来，计算机怎么认识这张图片是“0”呢，还记得上面我说过：“这是零”吗，没错我们是以标记的方式给小孩子标出“这是零”，对待计算机也是一样的，我们给计算机刚储存的这张图片打个标记“0”，等于就是给这个二维数组一个标记“0”，二维数组也可以看成是一个(x,y)的平面坐标系，每个坐标点代表一个像素位置，也就是说不同图片的相同坐标点的值是不一样的，这样当我们再给一张图片时，经过计算机比对每个坐标点的值是否一样而判断出这张图片是不是“0”，假设给出的图片经过数字化后，每个坐标点的坐标值和已经储存的坐标值完全一样，那么我们是不是可以肯定这是同一张图片，就是“0”呢！

　　这里有人会质疑：“如果这个数字了‘0’是手写体呢？”，我们知道每个人的书写方式不一样，那么写出的0会是千奇百样的，如果让计算机识别这么多种“0”的话，很显然是做不到的，因为每个“0”的坐标点上的值肯定有所不同，如果一定要让计算机识别的话，是不是我们人类一定要统一一个书写“0”的标准呢？

　　这个质疑就是我们现在要解决的问题，怎么要让计算机识别手写体“0”呢？我所了解到的也许就只有两种方式，一种就是直接让计算机录入各种各样的“0”，就是所谓的穷尽法，然后在让计算机一一比对，很显然这种方法最简单但也最不实用，因为相同的人都会写出各种各样的“0”，地球上有60多亿人，这样下去是永远穷举不完的，我们完全没必要为了一个0，而录入这么庞大的数据。

　　第二种方式，也会录入大量的数据，但只是像取样一样的，不会全部穷举，而是根据样本提炼出一个特征，我们现在所听到的神经网络、深度学习等等算法都是第二种方式，在这里我大概讲一下第二种方式的原理思路，而不会具体去谈方法，因为知道原理比知道方法更重要，学会原理你可以创造方法，而学会方法你只是知道一种方法而已，反而会束缚你更深入的研究。

　　上面我们提到过，图片可以处理成一个二维数组而且可以用平面坐标系来表示，如果我们把这个二维数组展开成一个数列，例如一个28*28像素的图片，展开成一个784个数字组成的数列{Xn}，数列的下标和784个坐标点一一对应，数列数字值和坐标值一一对应，就像这样{X1=0，X2=0，X3=123，……X784=0}，并且把这个数列标签打为为“0”，建立一个自变量为该数列{Xn}和因变量为y的函数关系g({Xn})，这个函数关系大家可以根据实际情况或者自身理解水平建立，比如建立一个线性关系的一次多元方程y=W1*X1 +W2*X2+……W784*X784，然后导入样本数据，就是已知X和Y值，然后求出各种系数W或者说权重值，通过大量的数据计算得出各个自变量的权重值，这样我们是不是已经知道了这个函数关系g({Xn})呢！，那么下一步就是给计算机一个新的数列，让计算机通过已知的函数关系g({Xn})，把求出的Y值和已经标记过的Y值进行比对看是否一致(当然了要容忍得出的y值存在适合的误差，不然就又成了完全的精准匹配)，如果一致，那么这张图片就是“0”，反之不是。

　　以上这种提取数据特征的思路不仅可以应用于处理图片，还可以应用到视频信息，音频信息，文字信息等等。

　　我们都知道无论什么样的数据在计算机那里都是二进制数据，文字也是一样的。

　　举个简单的例子，我们把“1.我很爱你，2.我非常爱你，3.我特别爱你，4.我就是爱你，5.我就是非常非常爱你”这个样本都标记为：“我爱你”，也就是说这些话都是“我爱你”的意思，但是计算机不知道，你怎么让计算机知道这件事呢？

　　应用上面的线性模型关系，我们现在把上面的文字词组用十进制数字来表示：{我（X1）：1，爱（X2）：2，你（X3）：3,非常（X4）：4，很（X5）：5，特别（X6）：6，就是（X7）：7}，很明显我们要的结果就是{我爱你：123}，建立一个线性方程：y=W1*X1 +W2*X2+……W7*X7,通过上面讲过的说法，我们导入多组数字样本{X1=1,X5=5,X2=2,X3=3}=我很爱你,{X1=1,X4=4,X2=2,X3=3}=我非常爱你(X后面数字代表在公式中的位置，当不存在Xn时，值默认为0，这里没有区别汉字本身的位置)……，训练计算机，最后经过计算机不断的计算（已知X值和Y值，求W权重值）得出W1=100，W2 =10，W3=1，其余W权重参数等于0，也就是这样：y=100*X1 +10*X2+1*X3+……0*X7，当导入新的数据“我就是很爱你”时（这个数据是上面样本没有的），经过计算机机算得出y=123，那么这句话就是“我爱你”的意思！

　　总之计算机学习知识的模式和人类是非常地相似：记录数据样本，提取样本特征，然后根据已知特征去判断新的知识是否和已知的知识数据一致(比对)，如果一致那么这条新的知识就是属于某个已知标签类。