图像的基本问题（1）

我们能够通过网络进行一些前奏性的学习，但是深入的学习，还是要书本和系统化的深入。就图像而论，如下的基本问题是我们展开深入学习研究的出发点：

一，一般来说一张适宜的图片的像素是3000-5000，过小会不清晰，过大会造成资源的浪费。我习惯于使用4976*3508的标准图片。

二，理论上说，任何图像的处理都可以建立在对标准图片的全部像素的遍历上。既然我们能遍历每一个像素，那么所有的问题都应该是基于这个遍历能操作的。例如我们要求图像的某个区域的边界，只要描述清楚条件，就可以分出这些点。分出这些点，就可以赋给它们某种rgb值，也就是画出这条边界。我们可以试验，一般单张图片上 的处理，好像就是用python的逐点循环也是可行的，大约分吧钟而已。这使得我们基本上能对任何问题进行测试研究了。但是从实际上要面对大量复杂的计算看，还是要讲效率。例如遍历，就应该用Numpy的np.where。能用numpy的一定要用Numpy,几乎很多复杂的关于大量点的操作都是可以用Numpy表达的，例如方差计算。我们不能直接计算，而是要使用Numpy的算法。这就告诉我们，必须耐心学习基本的Numpy知识。Numpy是人们已经研究清楚的优化成果，比我们学过的一般性的矩阵运算更有实用的价值。

三，除了Numpy的优化，另有一个天然的优化法则就是压缩像素到更小的图片。这样就自然地抓到了关键点。例如，图像上的一段边界曲线，我们不需要记录所有点，而应该先把握其中最关键的几个点，由其中几个点再把握局部区域的几个关键点，逐渐用少量的点控制大量的点。就跟人的领导原则一样，金字塔原则控制所有点。获得这些关键点的自然的办法就是先压缩到较小像素，逐级获得相关于不同整体层次的关键点，以关键点控制所有点。

四，还有，同一层级，即同一压缩图像的不同区域，是不相同的。我们未必要对每个区域进行同样复杂的计算分析，而是要对其中的主要的关键区域进行分析，这样我们实际上不是机械的一个一个来找它们，而是按照整体的需要找到最重要 的几个拟合。如果精度不够，那就还要增加一些考察的对象，但是我们不需要对每个对象都同等分析。好比我们去找一个学术泰斗，首先要把小孩和一般的市井之人去掉，将目光放在大学上，然后对大学又进行分类分析，这样就能更快地搜索到该目标点。相比之下，一个一个地在各行各业去筛选就很low了。

五，一般来说，pillow适合处理通常的情况，cv2适合很精确的情况。为了建立离散和连续的稳固可靠的联系，可以设想将它们和CAD结合起来。因为后者对于连续函数和三维空间的操作有着极强的适应性。python的厉害就在于它能将各种软件串起来无缝衔接。如果我们要研究人体的标准数据，难以想象前面说的pillow和cv2能够胜任。我们甚至能将图像投射到CAD中，从而每条连续函数曲线都自然地对应了。

六，让我们自己来试验研究各种相关的最基本的问题。例如图像的边界，图像中出现的杂色点怎么清除，怎么分出内外。理清最基本的事实更有助于学习各种软件的相关命令。