对于视觉图像检测的认知，真的需要有所提高才行

OpenCV数字图像处理学习平台获取——淘宝地址：
链接: OpenCV数字图像处理学习平台
OpenCV视觉应用31例获取——淘宝地址：
链接: OpenCV视觉应用31例获取地址

很久以前，专门介绍过关于图像的基础知识，包括什么是数字图像，什么是二值图、灰度图、彩色图、图像通道、图像的位数等。如果对这些概念不清楚的，可以在网上查一下，到处都可以找得到相关的资料。今天我不谈这个问题，我以为了解了这些图像处理基础，能够对视觉图像检测有比较清晰的认识，实际上并非如此。经常和一些不了解数字图像处理的人打交道，因此有一些感触，实际上是想让不了解视觉图像处理的人，明白图像处理并不是想象的那么简单。同时，也想给那些想学视觉图像处理的人一些建议。
在实施视觉图像检测项目的时候，经常会和企业里面很多不懂数字图像的人员打交道。有时候交流起来真的有些困难。比如有些人说，这个我眼睛都看得见，检测肯定没问题，有些人一上来就说我这个检测很简单，就是做个对比结果就出来了。遇到这样的情况，真的很无语。有一次遇到一个人给我说，他觉得中文识别可能有难度，但是字符和数字识别肯定简单，因为数字和字符就那么几个，直接匹配或者对比就出来了。还有一次，遇到做药企说明书检测的，要求检测印刷的说明书上面的文字是否有缺陷，说明书是在线实时打印装盒的。他认为直接模板匹配或者和标准的图像进行相减就可以得到结果。遇到这种情况，做视觉的人能怎么办？根本解释不通，人家觉得你的图像处理根本没什么技术含量，只有不解释了。还有一次遇到一个企业老总，需要做视觉测量，说别人都是用深度学习做的，问我用什么方法做，我说不用深度学习，人家觉得你技术不行，我也只能说我也可以用深度学习做。当然，实际怎么做的，也就不告诉他了，只说也是用深度学习实现的。这篇文章主要是让那些有视觉检测需求的人明白，图像处理并不是那么简单，对于完全没有数字图像基础，又想学习相关知识的人，也想让他们明白，应该学习哪些东西。
对于没有了解过数字图像处理的人来说，判断图像能否处理是靠直觉，靠自己的眼睛，觉得眼睛能看得见，就可以检测。然而实际情况并不是这样。您眼中看到的图像，对于搞图像的人来说，看到的图像是图1所示的样子，是一堆数字，是要从这一堆数字中找出您想要的东西。图1对应在您眼中的图像是什么样子的呢？其实是一个字符“D”，就是图2所示的样子。如果只看到图2，您肯定觉得把“D”提取出来很简单。但是，如果我给您的是图1所示的一堆数字，怎么从这一堆数字中把对应的数字提取出来了呢。这就是搞图像的人做的事情，您是否还是觉得很简单？


这还只是一个极其简单的例子。原图2448×2048，是500万像素，这里截图的只有61×51大小的图像，在这3000多个数字中提取出我们想要的数字。对于做图像处理的人来说，不是难事。但是，如果图像稍微复杂一点，就不是随随便便就可以实现的。
随着深度学习进入大众视野，人们觉得图像处理好像是万能的一样，觉得什么问题都可以用视觉图像来解决，其实远远不够。就以图3所示的药盒为例，上面的字符相对还比较少。如果要识别上面的字符，采用现有的技术基本上没有什么问题。但是，如果要检测上面的字符是否缺失某些笔画，就不是那么简单了，而这才是一些企业实际需要解决的问题。这只是拿这个药盒做一个例子，有很多产品需要检测的是字符缺陷，而不是识别字符，比如酒瓶上的字符缺陷检测等。识别和缺陷检测两种是不一样的，很多时候就算字符少了某些笔画，还是能够识别出来，但是识别结果无法判断是否有缺陷。不了解图像处理的人可能会说，拿一张没有缺陷的图像，和检测图像进行对比，做个减法不就可以了吗？事实上可行吗？也有人可能说用深度学习进行缺陷检测也可以啊。

针对上面说的检测方法，我来说一下有什么问题。首先，和标准图像做对比，进行相减的方法，需要保证两幅图像对应位置完全对齐，要有相同的基准点，而实时采集的图像，每张图像位置都会不一样，角度和大小都会有一点变化，所以是没法相减的，需要想办法将两者变换到相同的位姿，这就不是轻易可以做到的。可能有人会说用仿射变换和透视变换啊。这个问题我不想解释，不然又要写一大堆文字，感兴趣的可以亲自动手试一下，在线采集十几张图像就可以试出结果。对于第二种采用深度学习进行缺陷检测的方法，我想说的是，缺陷是什么样子的？会出现在哪些地方？如果这些无法明确，那怎么训练呢？如果对检测精度要求不高，那没什么可说的。当然，针对这种字符缺陷检测的问题，也是有办法解决的，我想表达的意思是，很多视觉检测不是某些人想的那么简单，做图像检测的人有很多艰辛的付出，别人只看到结果出来了，凭直觉认为检测很简单，实际上并非如此。不可否认，有些视觉检测很简单。但是，每种检测到底是简单还是复杂，只有通过专业的光源打光和专业的相机拍照，拿到图像进行分析才能够判断，而不是凭眼睛看，或者用手机拍几张图像来判断是否能检测。某些检测拿到检测对象凭经验可以判断是否可以检测，对于大部分检测而言，建议都要经过专业的图像采集进行分析来判断。
对于大部分视觉检测要求，都不是采用某种单一的图像图像处理算法可以实现的。比如下面这张图，找出圆心位置，这是一个网友发给我的。可能不少人一开始想到的就是霍夫变换。实际上恐怕不行，首先在时间上可能就无法满足要求，其次，检测准确率可能也会有影响。单一的霍夫变换很难满足这个检测要求。对于这个检测，有些人也会觉得很简单，当然，这个图本身也不难。但是，如果对图像处理函数不能熟练应用，估计也要弄半天看能不能出来结果。对于没有学过视觉图像检测的人，可能会提出不少不切实际的想法，觉得这样或者那样等等都可以实现检测。这个图是应该用几何方法绘制后打印出来的，但是拍成图像之后圆已经变成了椭圆，如果用找圆的方法去找圆心，实际上已经有问题了。图4是原图，图5是我检测出来的结果，有兴趣的也可以把这个图下载下来，然后试下怎么找圆心。


说实话，最近心里有点烦，所以很久都没有更新了。上面也是我想到哪就说到哪，没有什么章法。对于那些认为视觉检测很简单的人，如果您真的了解图像处理，就不应该有这种想法。您眼睛所看到的的图像以及您所认为的图像处理方法，与实际的图像处理方法，可能完全不同。如果您没有做过视觉图像处理，您所认为的简单的视觉检测，可能最后都没有办法实现，所以最好听一下有经验的人的判断。
对于那些想从事视觉图像处理的人而言，我想说的还是和原来一样，拿图像多练习，熟练掌握每种图像处理函数的用法，深度学习只是众多图像处理算法的一种，包括深度学习在内的各种传统图像处理算法，都需要熟练掌握，运用自如，才能够在这个行业里面走下去。各种传统的图像处理方法我已经集成在这个学习平台上了，有付出才有收获，以前学习的时候，也是自己买了好多书来照着学的。如果只是在网上查一些零散的资料来学习的话，是很难有收获的，反而会失去的是大量宝贵的时间。

OpenCV数字图像处理学习平台获取地址：
链接: OpenCV数字图像处理学习平台
OpenCV视觉应用31例获取地址：
链接: OpenCV视觉应用31例