大数据管理与应用概论 课件 6.4 基于图像大数据的管理决策

6.4基于图像大数据的管理决策导言随着互联网、计算机软硬件技术与多媒体技术的快速发展，智慧型手机、平板、高像素相机等高科技产品已经成为人们生活的必需品。利用这些设备，大众每天都能够轻易获取大量的图像数据。这些图像数据一方面能够表达丰富的语义内容，另一方面也能够为用户提供视觉上最直观的理解。图像大数据图像大数据的分析与处理主流图像大数据的分析与处理技术图像转换技术图像增强技术图像分割技术图像标注技术图像分类技术图像处理领域的一个标准测试图片——LenaSoderberg包含了平坦区域、阴影和纹理等细节非常有魅力图像大数据的分析与处理图像转换技术一个图像到另一个图像的演变。常见的图像转换算法包括空域变换等维度算法，空域变换变维度算法，值域变换等维度算法和值域变换变维度算法。其中空域变换是指图像在几何空间上的变换，而值域变换是指图像在像素空间上的变换。等维度变换是指在相同的维度空间中，而变维度变换是在不同的维度空间中，例如二维变换到三维，灰度空间变换到彩色空间。图像大数据的分析与处理图像增强技术有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征。从技术角度上来说，图像增强就是对原先的低质量图像进行处理，使其质量得以提升，降低原先图像的噪声，从而使图像更加明确清晰。常见的图像增强方法包括灰度均衡变换、直方图均衡变换、同态滤波器等。图像大数据的分析与处理图像分割技术把图像划分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。它是图像处理到图像分析的关键步骤。基于阈值的分割方法基于区域的分割方法基于边缘的分割方法基于特定理论的分割方法传统分割方法基于全连接卷积神经网络的分割方法基于SegNet的分割方法基于U-Net的分割方法基于深度学习的方法图像大数据的分析与处理图像标注技术利用人工智能或模式识别等计算机方法对数字图像的低层视觉特征进行分析，从而对图像打上特定语义标签的过程。常见的图像标注模型包括：相关模型、隐Markov模型、矩阵分解模型、多视图学习模型、以及深度学习模型等。图像大数据的分析与处理图像标注技术图像标注框架总体分为三个模块，包括两个特征提取模块和一个标注模型模块。左侧特征提取模块主要负责获取图像的低层视觉特征，右侧特征提取模块则负责获得标注文本（标签）的词汇特征。图像的标注模块则主要负责建立图像特征和标签特征之间的关联关系，以根据低层视觉特征对未标注图像进行标注。图像标注模型通用架构图像大数据的分析与处理图像分类根据输入图像所反映的不同特征，把分类标签集合中的一个（或一组）标签分配给输入图像的过程。其目的在于利用计算机的定量分析技术代替人的视觉判读。按照分配给图像标签的数目，图像分类分为单标签分类和多标签分类。常见的图像分类方法包括：卷积神经网络、自动编码器、迁移学习、多视图学习、零样本学习、深度残差网络和密集连接网络等。右图为一个典型的多标签分类实例，根据左侧图片可知，上面同时有行人、狗和自行车三种元素，因此会分配给这张图片三个标签。图像的多标签基于图像大数据的管理决策基于图像大数据的管理决策，旨在利用主流的图像分析与处理技术，挖掘各个管理决策场景下产生的图像大数据，以弥补人类视觉上的不足，从而为研究海量产品选择、个性化营销方案制定等管理问题提供决策支持。左图为一般性的基于图像大数据的管理决策过程，主要包括感兴趣区域提取、图像标准化处理、图像扩增、图像特征提取和决策建模五个阶段。基于图像大数据的管理决策基于图像大数据的管理决策感兴趣区域（RegionofInterest，ROI）提取从图像中提取的一个目标区域，该区域包含后续图像分析任务所关注的重点。一般地，ROI定位是以方框、圆、椭圆、不规则多边形等方式在原始图像上进行确定，借助ROI定位对目标区域进行提取可以有效减少在不同条件下采集同一对象图像之间的差异，减少处理时间，提高识别精度。基于图像大数据的管理决策图像标准化处理主要包括对数字图像尺寸的标准化处理和对数字图像像素的标准化处理。图像尺寸的标准化处理是将提取出的所有ROI区域修改为相同尺寸，以保证在训练深度模型时所有训练数据处于同一维度。图像像素的标准化处理是将图像像素矩阵通过去均值实现中心化处理，根据凸优化理论与数据概率分布相关知识可知，数据中心化符合数据分布规律，更容易取得较好的泛化效果。白化处理像素标准化处理基于图像大数据的管理决策图像扩增不增加原始数据，只是对数据做一些变换，从而创造出更多的数据，以丰富数据多样性，提高图像分类模型的泛化能力。图像扩增的基本原则包括：不能引入无关的图像数据、扩增需要一定的先验知识，针对不同的任务和场景，所采取的扩增策略也存在差异、扩增后的图像类别标签保持不变。基于图像大数据的管理决策图像特征提取是图像分析与图像识别的前提，主要对图像的像素矩阵进行变换，以突出该图像具有代表性特征的一种方法。常见图像特征包括颜色特征、纹理特征、形状特征以及局部特征点等，其中局部特点具有很好的稳定性，不容易受外界环境的干扰。基于图像大数据的管理决策图像特征提取传统方法包括颜色直方图、灰度共生矩阵、Hough图像变换检测以及各种滤波变换等。深度学习技术近年来被广泛用于图像特征提取任务。以FasterR-CNN深度模型为例，首先利用卷积神经网络提取图像特征生成特征图，然后使用区域提案网络生成区域提案的边界框，接着利用边界框回归对生成区域提案进行微调，最后生成图像目标区域特征，用于后续决策建模。传统特征提取深度特征提取基于图像大数据的管理决策决策建模基于图像大数据的决策建模主要是指利用主流的深度学习技术，从大量经过上述处理操作的图片中学习相关信息，然后针对特定问题，提供决策输出，作为用户参考，辅助管理决策的过程。案例分析青光眼是一种常见眼部疾病，会损伤视觉神经，已经成为导致人群失明的最主要原因之一。虽然目前针对青光眼没有较好的治愈方法，但是越早发现对于停止进一步的视力损伤就越有意义。尽管专家可以观测到青光眼的症状，但是操作过程较为复杂且十分耗时。由于人口众多以及有限的医疗资源，在中国关于青光眼的诊断变得越发困难。随着人工智能技术的发展，已经发现深度学习模型在基于医学影像的疾病诊断方面的优势，但是现有研究缺少考虑相关领域知识，导致对于数据规模要求较高。正常视野早期青光眼进展期青光眼晚期青光眼案例分析针对该问题，研究者设计了一种领域知识驱动的深度多分支网络模型，用于青光眼的早期诊断。该模型所考虑的领域知识包括对青光眼诊断的重