快跟上，和我一起入门计算机视觉

👈👈👈 欢迎点赞收藏关注哟

首先分享之前的所有文章 >>>> 😜😜😜
文章合集 : 🎁 juejin.cn/post/694164...
Github : 👉 github.com/black-ant
CASE 备份 : 👉 gitee.com/antblack/ca...

前言

最近在研究 Python 的一些东西，也在逐步深入的过程中，接触到了计算机视觉的一些概念。

在此期间陆陆续续也学了一些东西，总结下来分享给大家，或多或少对入门者有些帮助。

在之前我们从应用的角度学习了基础的使用：

# 五分钟，零基础也能入门 Python 图像文字识别

那么，图像处理到底涉及到哪些概念呢？

一. 宏观图

起初只是想简单的做一下图像去重这些小功能，没想到在逐步的了解中，发现图像处理是一个很庞大的领域。

从基础的（绿色）的图像技术，到高级的应用（紫色），再到未来可能深度的发展（红色）。用上面一张图来说是远远不够的。

但是隐隐有种感觉，这些前沿的技术，让我感觉到太陌生了，像被时代抛弃了似的。

也许是时候了解一下这些东西了，免得以后变成被科技抛弃的老爹爹。

二. 阶梯入门

2.1 图像操作

图像操作有很多工具，例如 scikit-image 的， SimpleCV ，OpenCV 等，包括 Matlab 这种商业数学软件也能实现图像处理。

但是从资料和使用难度来说，OpenCV 是入门的推荐选择。

上图 图像技术 的绿色方块的技术，在 OpenCV 里面都能找到对应的接口。一般使用流程是：

选择对应的语言（Python / Java / C++）
基于操作系统安装 OpenCV
通过客户端调用 OpenCV 的相关功能

python 复制代码

// 以 Python 为例
import cv2

image = cv2.imread(image_path)

# 灰度化图片
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 对图片进行缩放
image_big = cv2.resize(gray_image, dsize=(None, None), fx=3, fy=3, interpolation=cv2.INTER_CUBIC)

# 降噪图片
denoised_image = cv2.GaussianBlur(image_big, (5, 5), 0)

有关 OpenCV 的其他功能，会在另外一篇单独说。

2.2 操作语言的选择

以 OpenCV 为例，使用比较多的语言就是 Python ，C++ , Java.

C++ 和 Java 主要是作为服务端和桌面端的语言，C++ 体现的是性能高，比较 OpenCV 本质上是 C++ 实现的。

Java 就体现在稳定，如果简单的功能，又恰好服务端是Java ，确实可以选择使用。

以上两种都是基于不同的业务场景可以适当的选择，但是如果想要深入更高级的用法，就得了解 Python了。

上述 3 种语言都有深度学习的能力 ，但是从生态和上手难度来说，Python 应该是最轻松的。

2.3 高级用法

基础的图像处理

👉 掩模：用选定的图像、图形或物体遮挡待处理的图像（全部或局部），从而控制图像处理的区域
- 用法： ROI的提取 , 屏蔽 , 结构特征提取
👉 色彩处理 ：通常是针对色彩空间进行处理
- 色彩空间 ：用来描述颜色的数学模型。它定义了如何用一组数值来表示一个颜色
- 常见的包括 ： RGB（红蓝绿）， HSV（色相、饱和度和明度）， CMYK等
- 用法： 色彩空间转换 ，将人从图像背景中分离
👉 滤波处理 ：尽量保留图像原有信息的情况下，过滤掉图像内部的噪声的过程
- 用法：均值滤波，高斯滤波，中值滤波
👉 形态学 ：从图像内提取分量信息，该分量信息通常是图像理解时所使用的最本质的形状特征
- 腐蚀：能够消除图像的边界点，使图像沿着边界向内收缩
- 膨胀：对图像的边界进行扩张

一些商业性质操作的实现方案：

❓ 车牌识别：车牌识别主要包括3个模块
- 提取车牌 ：首先从一个复杂的图片里面把车牌读取出来
  - S1 : 通过滤波去除图像的噪声信息，在通过灰度去除多余的色彩
  - S2 : 提取图片的边缘，主要是提取到车牌中字符的边缘
  - S3 : 二值化 + 闭运算 + 开运算 + 多次滤波 让复杂的图形变得更加抽象
  - S4 : 轮廓处理让这些简单的图形分割成一个个单元
  - S5 : 定位到车牌 （也就是先对图片处理后，更好的知道车牌在哪）
- 分割车牌 ：将车牌中的各字符提取出来，以便进行后续识别
  - 流程大概一致，都是通过去噪，灰度等方式让车牌数字被分割成一个个整体
- 识别车牌 ：图生字的用法，这一块组件很多，各有不同

图片来源 @ 计算机视觉40例:从入门到深度学习

❓ 指纹识别：特性工程的主要体现
- 流程步骤：
  - S1 : 拿到指纹的特征 ，然后存储在模板库中
  - S2 : 当读取到新指纹的时候，拿到新指纹的特征和模板库 信息进行比对
- 实现关键：
  - 首先需要对图形进行增强，细化等
  - 然后提取其中的关键点，例如分叉，向量，终点等

2.4 阶段总结

在这一阶段还停留在图片信息采集后的商业用法，并没有涉及到机器学习等场景。

这些案例也不需要太大的投入，都可以应用在生产中，至于卖不卖的出去就看实现的方案了。

但是整体来说，技术门槛不会太高。

三. 高级场景了解

高级场景我本身也没有涉及，单看案例也难以说出其中的技术方法。

就像上面宏观图里面的，像自动驾驶，虚拟现实往往不是一个技术域能实现的，这些通常都是多个领域共同作用的成果。

而组成这些的，其底层还是一些相对简单的实现，例如行人检测，机器学习，深度学习这种。

不过好在生态能帮助我们解决大部分问题，大部分我们需要的功能都已经有完善的算法和组件，可以直接使用。

这里列举一些场景的算法，虽然我并不是十分了解他们：

卷积神经网络 (CNN)：CNN 是用于图像分类的标准方法。它们使用称为卷积层的特殊层来提取图像中的特征
变分自编码器 (VAE)：VAE 是一种可以用于图像分类的生成模型，可以用来训练数据相似的图形
区域建议网络 (RPN)：RPN 用于生成候选目标框，然后由其他算法进一步分类和定位对象
生成对抗网络 (GAN)：GAN 由两个神经网络组成：生成器和判别器。生成器尝试生成逼真的图像，而判别器尝试区分真实图像和生成的图像

当然这些东西不是一蹴而就的，后续有机会再深入。

结语

我只是一个蹒跚学步的新人，这段时间了解这一块陆陆续续看了一些东西，整个记了下来。

有些资料里面很细节的东西在文中并没有呈现，文章的目的还是围绕对这个领域有个初步的了解。

参考文档

《计算机视觉40例:从入门到深度学习》

快跟上 ，和我一起入门计算机视觉

前言