【Learning OpenCV3 】知识笔记（1）

Learning OpenCV3 - Overview

这里的内容绝大多数来源于阅读《Learning OpenCV3》英文版后的个人记录，不是摘抄或直接翻译，而是消化后个人理解的记录。鉴于作者水平所限，也许有纰漏之处，还请广开言路，共同进步。

1. OpenCV的基本介绍：

1.1. OpenCV是为更关注于实时应用的运算效率而设计的。其由优化的C++写成（虽然也有一部分代码由C写成，但原则上C代码在C++中永远合法。），因而可以发挥多核处理器的优势。

1.2. 如果读者对于Inter处理器的进一步自动优化感兴趣，可以选择购买Inter的集成性能基元（IPP）库，如果已经安装了这个库，OpenCV会自动调用该库中相应内容以适应运行的OpenCV内容。

2. OpenCV的使用群体：

关于计算机视觉的应用，大部分人已经发现其在安防监控中应用了，也许越来越多的人发现网络上的图片和视频中计算机视觉的身影也出现的更频繁了。一部分人甚至在游戏交互中接触过计算机视觉，但是很少人意识到在大多数航拍图像及街景图像（如谷歌街景）中广泛的使用了相机标定和图像缝合技术。一些人认为计算机视觉技术只是在安全监控、无人飞行器或生物医疗领域中的一种利基商业价值（讲道理我是第一次见到这个词），但事实上，在工业制造领域计算机视觉已经是一种非常普遍的存在。OpenCV可以免费而自由地组建各种商业应用，所以这些计算机视觉相关的领域，OpenCV有非常大的使用空间。

3. 计算机视觉的介绍：

3.1. 基本任务：计算机视觉是从静物（或视频）摄像机到决策（或新表示法）的一个数据决策过程。

3.2. 人类视觉系统相比于计算机视觉系统的特点和精致性：

人类视觉系统与计算机视觉相比，人类视觉系统中，大脑有注意力系统对图像或视频中的重要部分进行甄别。这整个复杂的过程是如何在人类视觉神经系统中运作的，目前来说还了解的不透彻。在视觉神经系统中，来自于肌肉感官传感器及众多其他感官传感器的大量反馈会在大脑中与多年的生活经验进行一种叫做“感官联想”的反应。而大脑的反馈循环会返回到所有的处理过程去，这也包括其中的硬件传感器（如眼睛），这一反馈会物理性地控制通过虹膜的光线以调整在视网膜表面的接受信息。

3.3. 计算机视觉相比人类视觉的天生缺陷：

计算机视觉系统中，计算机从摄像机或磁盘接收一个网格状的数字信息（对于有相关数学基础的人直接用矩阵也许更好理解）。大多数情况下，在计算机视觉系统中，不存嵌入式图像识别系统，也不存在对焦距和光圈自动控制，亦没有基于多年经验的感官联想。直白的说，计算机视觉系统是非常幼稚的。不仅如此，从摄像机中得到的图像中一般都含有大量的噪音，这对获取原始图像信息造成了非常大的干扰。

3.4. ill-posed problem（不适定问题）：对于相同场景的2D成像，当观测角度改变时，2D图像会发生巨大的变化，这个现象属于不适定问题。

要明确什么是不适定问题，先从适定问题入手，传统数学只研究适定问题，适定问题满足这三个条件：（1）解是存在的；（2）解是唯一的；（3）解是稳定的，即其连续依赖于定解条件。而只要如上三个条件任何一个不满足，就是不适定问题。

3.5. 一般来说，计算机视觉环境约束越大，可依靠这些约束从而简化问题的力量也越大，因而最终的解决方案也会越可靠。

4. OpenCV的起源（我这里就省略了，当看故事看看就完了）。

5. OpenCV的结构：

5.1. OpenCV是按照不同层级建立的。

5.2. 顶层是操作系统（OS，Operating System）；下一层是连接语言和样本应用；再下一层是所谓“贡献的代码”，其实现了一些高级功能；再下一层是OpenCV的核心代码；最后一层是对多种硬件实现加速功能的硬件加速层（HAL）。

6. 之后几节主要是介绍IPP加速和在不同平台的安装使用，网络上这种资料很多了，在这就不赘述了。