計算機視覺如何入門？

最新 04-13

計算機視覺入門

計算機視覺（Computer Vision）起源於20世紀70年代，經過多年的發展，計算機視覺已經成為當前人工智慧的重要支撐，也成為各高校及企業重要研究方向，前景十分廣闊。筆者以自己的學習路線為例，介紹計算機視覺從入門到精（fang）通（qi）過程中應具備的知識。看完這篇文章，你可能並不能入門，但是你應該會對計算機視覺學習有一個大致的了解。

基礎知識

入門計算機視覺需要有一定的知識積累，主要是大學和研究生階段的幾門數學基礎課程和一定的編程基礎。

高等數學：深度網路對非結構數據進行迭代抽象表徵，這是一個優化的過程，其基礎理論涉及多元微積分。卷積和傅里葉變換等數學理論也都來自於高等數學。

線性代數、矩陣理論：無論是基礎的圖像處理理論，還是神經網路演算法都包含大量的矩陣運算和非線性變換。

概率論、應用數理統計：機器學習和深度學習演算法大多是分析輸入數據，建立模型進行預測，其中的數據分析離不開數理統計相關知識。

計算機相關：C++ 、python、數據結構、Linux基本操作。

OpenCV

OpenCV是一個開源的跨平台計算機視覺庫，提供了C++、Python、MATLAB等語言的介面，是現在計算機視覺領域應用比較廣泛的視覺庫。包含了閾值操作、直方圖、圖像濾波、形態學操作等一系列圖像處理基礎函數。基礎知識簡單易懂，比較適合入門的圖像知識學習。當然，OpenCV也可以進行大型圖像處理工作，而且包含機器學習模塊，可以進行強大的功能實現。

可以從OpenCV官網下載安裝最新的OpenCV3.x，然後進行一系列環境配置即可使用。新手推薦使用visual studio在Win32控制台程序下利用進行C++進行編程學習。同樣也可以安裝Python後在編譯器下進行編程學習。

主要學習途徑：

OpenCV library：https://opencv.org/

OpenCV中文網站： http://www.opencv.org.cn/

Learn OpenCV3

Learn OpenCV（中文版）

Python計算機視覺

深度學習

深度學習是機器學習的一個重要分支。深度學習中最著名的是卷積神經網路，它是一種前饋神經網路，對於大型圖像處理有出色表現，它在原來多層神經網路的基礎上，加入了特徵學習部分，模仿人腦對信號處理分級，可以進行大規模圖像的處理和識別。入門卷積神經網路推薦斯坦福CS231n課程，該課程主要是介紹深度學習在計算機視覺領域的應用，可以全面而系統的學習深度學習相關知識。

目前基於深度學習的開發平台和開發工具主要包括TensorFlow、DeepLearnToolbox、Theano、Caffe等。TensorFlow是谷歌的第二代人工智慧學習系統，可被用於語音識別或圖像識別等多項機器學習和深度學習領域，在Windows和Linux環境下都可以安裝和使用。