机器学习识别图片的基本原理

人类的视觉原理

深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。

1981年的诺贝尔医学奖，颁发给了David Hubel（出生于加拿大的美国神经生物学家）和TorstenWiesel，以及Roger Sperry。前两位的主要贡献，是“发现了视觉系统的信息处理”，可视皮层是分级的。

人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。下面是人脑进行人脸识别的一个示例：

图1

对于不同的物体，人类视觉也是通过这样逐层分级，来进行认知的：

图2

我们可以看到，在最底层特征基本上是类似的，就是各种边缘，越往上，越能提取出此类物体的一些特征（轮子、眼睛、躯干等），到最上层，不同的高级特征最终组合成相应的图像，从而能够让人类准确的区分不同的物体。

所以我们可以很自然的想到：可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？答案是肯定的，这也是许多深度学习算法的灵感来源，也包括卷积神经网络（CNN）算法。

图像的表示

实质上，每张图片都可以表示为由像素值组成的矩阵。

图3

通道（channel）是一个传统术语，指图像的一个特定成分。标准数码相机拍摄的照片具有三个通道：红、绿和蓝。你可以将它们想象为三个堆叠在一起的二维矩阵（每种颜色一个），每个矩阵的像素值都在0到255之间。

而灰度图像只有一个通道，即一个代表图像的二维矩阵。矩阵中每个像素值的范围在0到255之间：0表示黑色，255表示白色。

图4

卷积处理灰度图片

如果想让计算机搞清楚图像上有什么物体，我们可以做的事情是检测图像的垂直边缘和水平边缘，如下图所示：

图5

我们可以用一个66的灰度图像来打比方，构造一个33的矩阵，在卷积神经网络中通常称之为过滤器（filter），对这个6*6的图像进行卷积运算，以左上角的-5计算为例：

31 + 00 + 1-1 + 11 + 50 + 8-1 + 21 + 70 + 2*-1 = -5

其它的以此类推，让过滤器在图像上逐步滑动，对整个图像进行卷积计算得到一幅4*4的图像。（灰色图片是单通道颜色值）

图6

为什么这种卷积计算可以得到图像的边缘，下图0表示图像暗色区域，10为图像比较亮的区域，同样用一个3*3过滤器，对图像进行卷积，得到的图像中间亮，两边暗，亮色区域就对应图像边缘。

图7

通过以下的水平过滤器和垂直过滤器，可以实现图像水平和垂直边缘检测。

图8

以下列出了一些常用的过滤器，对于不同的过滤器也有着不同的争论，在卷积神经网络中把这些过滤器当成我们要学习的参数，卷积神经网络训练的目标就是去理解过滤器的参数。

图9

卷积前填充图片

在上部分中，通过一个33的过滤器来对66的图像进行卷积，得到了一幅44的图像，假设输出图像大小为nn与过滤器大小为f*f，输出图像大小则为：

图10

这样做卷积运算的缺点是，卷积图像的大小会不断缩小，另外图像的左上角的元素只被一个输出所使用，所以在图像边缘的像素在输出中采用较少，也就意味着我们丢掉了很多图像边缘的信息，为了解决这两个问题，就引入了填充（padding）操作，也就是在图像卷积操作之前，沿着图像边缘用0进行图像填充。对于3*3的过滤器，我们填充宽度为1时，就可以保证输出图像和输入图像一样大。

图11

填充（padding）的两种模式：

Valid：没有填充，输入图像nn，过滤器ff，输出图像大小为：

图12

Same：有填充，输出图像和输入图像一样大

卷积图像的步长

卷积步长是指过滤器在图像上滑动的距离，前两部分步长都默认为1，如果卷积步长为2，卷积运算过程如下。

图13

图14

图15

加入步长（stride）后卷积图像大小的通用计算公式为：

输入图像：nn，过滤器：ff步长：s，填充：p

输出图像大小为：

图16

⌊⌋表示向下取整以输入图像77，过滤器33，步长为2，填充（padding）模式为没有填充（valid）时为例，输出图像大小为：

图17

卷积处理彩色图片

以上讲述的卷积都是灰度图像的，如果想要在RGB图像上进行卷积，过滤器的大小不再是33而是333，最后的3对应为通道数（channels），卷积生成图像中每个像素值为333过滤器对应位置和图像对应位置相乘累加，过滤器依次在RGB图像上滑动，最终生成图像大小为44。

图18

另外一个问题是，如果我们不仅仅在图像中检测一种类型的特征，而是要同时检测垂直边缘、水平边缘、45度边缘等等，也就是多个过滤器的问题。如果有两个过滤器，最终生成图像为442的立方体，这里的2来源于我们采用了两个过滤器。如果有10个过滤器那么输出图像就是4410的立方体。

图19

单层卷积网络

通过上一部分的讲述，图像通过两个过滤器得到了两个44的矩阵，在两个矩阵上分别加入偏差b1和b2，然后对加入偏差的矩阵做非线性的修正线性激活函数（Relu）变换，得到一个新的44矩阵，这就是单层卷积网络的完整计算过程。用公式表示：

图20

其中输入图像为a[0]，过滤器用w[1]表示，对图像进行线性变化并加入偏差得到矩阵z[1]，a[1]是应用修正线性激活函数（Relu）激活后的结果。

图21

如果有10个过滤器参数个数有多少个呢？ 每个过滤器都有333+1=28个参数，333为过滤器大小，1是偏差系数，10个过滤器参数个数就是28*10=280个。不论输入图像大小参数个数是不会发生改变的。

描述卷积神经网络的一些符号标识：

图22

简单卷积网络

输入图像：39393，符号表示：

图23

第1层超参数：

图24

第1层输出图像：373710，符号表示：

图25

第2层超参数：

图26

第2层输出图像：171720，符号表示：

图27

第3层超参数：

图28

第3层输出图像：7740，符号表示：

图29

将第三层的输出展开成1960个元素，然后将其输出到二分类模型（logistic）或多分类模型（softmax）来决定是判断图片中有没有猫，还是想识别图像中不同的对象。

图30

卷积神经网络层有三种类型：
卷积层(convolution,conv)
池化层(pooling,pool)
全连接层(Fully connected,FC)

池化层网络

最大池化（Max pooling）的思想很简单，以下图为例，把44的图像分割成4个不同的区域，然后输出每个区域的最大值，这就是最大池化所做的事情。其实这里我们选择了22的过滤器，步长为2。在一幅真正的图像中提取最大值可能意味着提取了某些特定特征，比如垂直边缘、一只眼睛等等。

图31

以下是一个过滤器大小为3*3，步长为1的池化过程，具体计算和上面相同，最大池化中输出图像的大小计算方式和卷积网络中计算方法一致，如果有多个通道需要做池化操作，那么就分通道计算池化操作。

图32

平均池化和最大池化唯一的不同是，它计算的是区域内的平均值而最大池化计算的是最大值。在日常应用使用最多的还是最大池化。

图32

池化的超参数：步长、过滤器大小、池化类型（最大池化或平均池化）。

全连接层

在常见的卷积神经网络的最后往往会出现一两层全连接层，全连接一般会把卷积输出的二维特征图（feature map）转化成一维（N*1）的一个向量。或者说就是一排神经元，因为这一层是每一个单元都和前一层的每一个单元相连接，所以称之为“全连接”。

在经过数次卷积和池化之后，我们最后会先将多维的数据进行“扁平化”，也就是把7740的卷积层压缩成长度为7740=1960的一维数组，然后再与全连接（FC）层连接，这之后就跟普通的神经网络无异了。

图33

假设这里每次移动的步长设置为1（步长可以自己设置），每次相乘后将像素点索引移动一位，权重矩阵与另外一组像素相乘。以此类推，直到整个像素矩阵都与权重矩阵进行了相乘运算。整个过程与卷积运算相同，组的权重与图像矩阵之间进行卷积运算，这也是卷积神经网络（CNN）有“卷积”一词的原因。

图34

全连接层之前的卷积层、池化层作用是提取特征，全连接层的作用是分类，具体是怎么分类的呢？就是用到了数学中的概率统计等算法，这里就不深入说明了。假设，我们现在的任务是去区别一张图片是不是猫。

图35

再假设，这个神经网络模型已经训练完了，全连接层已经知道猫的特征。

图36

当我们得到以上特征，我们就可以判断这张图片是猫了，因为全连接层的作用主要就是实现分类（Classification），从下图，我们可以看出红色的神经元表示这个特征被找到了（激活了），同一层的其他神经元，要么猫的特征不明显，要么没找到。

图37

当我们把这些找到的特征组合在一起，发现最符合要求的是猫，那么我们可以认为这是猫了，猫头有下面这些特征。

图38

于是我们下一步的任务就是把猫头的这些特征找到，比如眼睛、耳朵。

图39

当我们找到这些特征，神经元就被激活了（红色圆圈），这细节特征又是怎么来的呢？就是从前面的卷积层、池化层来的。

卷积神经网络

以下是一个完整的卷积神经网络，用于手写字识别，这并不是一个LeNet-5网络，但是设计需求来自于LeNet-5。

LeNet-5卷积神经网络模型，是Yann LeCun在1998年设计的用于手写数字识别的卷积神经网络，当年美国大多数银行就是用它来识别支票上面的手写数字的，它是早期卷积神经网络中最有代表性的实验系统之一。

图40

网络各层参数个数表：

图41

上面的数表中，CONV表示卷积层，POOL表示池化层，FC表示全连接层。

参考内容

https://www.cnblogs.com/kex1n/p/9083024.html
https://blog.csdn.net/ice_actor/article/details/78648780
https://blog.csdn.net/m0_37407756/article/details/80904580
http://www.dataguru.cn/article-13436-1.html
https://www.jianshu.com/p/c0215d26d20a
https://blog.csdn.net/weixin_38208741/article/details/80615580
https://www.cnblogs.com/alexcai/p/5506806.html