qt怎么调用halcon_计算机视觉图像处理怎么学习

计算机视觉图像处理怎么学习

学习人工智能的计算机视觉方向，有二维视觉和三维视觉。相对于二维视觉而言，三维视觉目前的应用场景要少一些，而且项目落地的难度要大一些。二维计算机视觉的更多的应用在面向生产企业的视觉检测方面。

图1 基于视觉的字符识别

要学习计算机视觉，首要的是学习视觉图像处理。现在有些人一开始就学习深度学习，如果用在二维视觉检测方面，深度学习也只是其中的一种工具，建议从最基础的图像处理算法开始学习。学习图像处理，掌握一种工具非常重要，这工具是指图像处理库函数。虽然有不少图像函数库，比如halcon、visionpro、matlab、labview等。我个人建议采用opencv比较好。opencv使用比较灵活，里面的很多函数都可以找到源代码，知道其实现过程，从而对算法的理解更加深刻。而其他的很多图像库你只是被动的调用其函数，不知道内部过程，对自己能力的提高没有太多帮助。举个简单的例子，一个固定阈值的二值化处理，很多人觉得这个算法没有什么用处。其实，这个算法作为图像处理入门的经典算法，其用处是非常大的，只不过我们很多人不知道怎么发挥这个算法的作用而已。以后会进行介绍。

学习计算机视觉的时候，最好是带着项目进行实践。如果没有实际的项目，也不要只是照着书上把代码输进去运行一遍就结束，可以在熟悉使用一些算法的基础上，找一些实际的图像来进行处理。比如，随便在网上照一张字符图像，自己试着看有什么办法对字符进行分割和识别，会用到哪些算法。这样才能够提高对算法的掌控能力以及实际运用能力。

做视觉项目的时候，很多时候是直接调用现有的函数库。但是，并不是只调用这些函数就能够完成一个项目，通常，在调用这些函数得到一些结果后，自己还要在这些结果上做一些处理，才能够最终得到想要的结果。比如，做边缘检测，但是检测完之后呢？最终是要输出结果的，这个结果可能是圆心的位置、可能是得到某些直线，也可能是根据边界得到某种形状。又比如，通过做图像匹配来寻找某个特定的对象，这时你要想办法消除光照的影响，又要想办法消除模板图像与匹配图像大小不一致的问题，就可能用到多尺度。如果要消除光照不一样的影响，可能要就用差分计算，或者进行差分编码对图像进行变换，而这些操作在opencv里面可以很方便的实现，但是这些操作可能在所有的图像库里面并没有对应的函数，因为这些操作不能归为标准的图像处理算法。而采用其他工具实现起来相对比较麻烦。

对于opencv怎么学，对于完全没有学过程序语言的人来说，可能要先花一些时间去学习C语言或c++。这个基础也不需要太多，能看懂简单的代码应该就可以。刚开始接触opencv的时候，很多人是一头雾水，不知道从何下手。其实，opencv就是在操作二维图像矩阵。从opencv2.0开始，图像数据采用Mat格式存储，Mat里面就是一堆二维数据。所以，我们学习opencv，可以从操作Mat矩阵开始。这个阶段要达到什么程度呢？就是要让自己可以任意操作Mat数组。比如，做算术运算加减乘除，差分绝对值，位运算，均值，偏差，特征值，特征向量，求和，协方差矩阵，翻转，逆矩阵，转置，对数运算，指数运算，幂运算，取子矩阵等等，要熟练掌握这些操作，这样，你遇到图像数据时，如果你想从矩阵中取出自己想要的内容，将会得心应手，而不会不知所措。这些操作刚开始可能需要背下来，以后慢慢用熟练了，自然就会了。比如，我们要做图像匹配，在实际应用中，一般不会将整幅图与模板进行匹配，因为匹配的速度太慢，从图像上观察，要匹配的区域总是在某一个固定的范围内，这时，我们就取图像的子矩阵，将这一部分区域取出来，然后再与模板进行匹配，这样可以在很大程度上提高速度，实际中，为了保证目标在图像内，采集的图像总是较大，而感兴趣的区域总是较小。此外，匹配的时候，不一定是利用opencv自带的方法进行匹配，你可以自己算一些特征值进行匹配，比如算梯度、均值、偏差等，利用这些值进行匹配。而这些操作都是基本的Mat操作。有了这个基础，就可以开始看一些图像处理函数了。当然，根据每个人的基础不一样，学习方法也是灵活多变的。