传统计算机视觉方法
传统的计算机视觉可以使用Opencv等Python库，对图像进行简单的操作，例如对图像缩放、滤波、阈值分割等等。对于计算机来说，一张彩色图片就是一个三通道的矩阵，分别对应红绿蓝（RGB）三种颜色，通过改变颜色的数值（0-255）来显示出一张完整的彩色图片，传统的计算机视觉就是围绕这一个三维矩阵，比如设置一个颜色区间，进行过滤等等操作。
这一类视觉处理的方法，功能相对较弱一些，能够处理一些简单的应用场景，比如识别绿色物体，识别动态的物体等。但是对于背景复杂的实际场景中，很多问题都难以解决。
推荐Opencv教程地址：https://github.com/CodecWang/opencv-python-tutorial
深度学习
通过人工智能对图像进行处理的算法有很多，其中最为经典的为卷积神经网络，对原始图像不停卷积运算，充分提取特征，最后输出想要的结果，这类方法经过实践的验证取得了非常不错的精度表现，在目前的很多硬件上，都能够跑出实时的效果。
当然，更多新型的视觉处理算法也涌现出来，比如最近比较火热的Transformer算法，最初应用于NLP（自然语言处理），最近科研者们发现它在视觉领域也展现出了非常不错的表现，很多领域下都取得了最佳的精度，突破了卷积神经网络的精度瓶颈。我们这期教程还是围绕卷积神经网络，这种经典的算法展开，仍然值得大家深入地学习。
计算机视觉任务的分类
分类（Classification）
分类任务是对整张图片进行分类，例如最为经典的猫狗分类。
猫狗分类就是让计算机对于我指定的图片进行归类，如果这张图片是猫，我把图片输入到模型后，我期望输出的就是猫这个类别。可以看到，分类任务是对整张图片的归类，如果一张图片里面既有猫，又有狗，那么显然分类无法完成，因为分类任务是不需要对物体定位的。分类任务是计算机视觉最简单的任务，实现的难度最低，当然功能也最为简单。
检测（Detection）
检测任务相对于分类任务，需要精确地对图像中的目标物体定位，一般用矩形框确定目标位置。如上图，一张图片中，有狗，有自行车，有汽车，对于检测任务，就需要精确地框出他们的位置，并判别类别。检测任务是对图像中的物体进行特征识别，相比分类任务难度有所提升，也是我们经常会有的需求，需要精确判定特征物体在画面中的位置，例如行人检测，人脸检测等等。
分割（Segmentation）
分割任务的难度再次增加，任务要求不仅需要确定位置，还需要勾勒出物体的轮廓，类似PS的抠图，过滤去背景。例如上图所示的工业读表，车道线分割等等，这类任务对于模型和算法的考验较大，在特定的场合中有一定的应用。
标签：计算机,卷积,物体,分类,任务,视觉 来源： https://www.cnblogs.com/ranxi169/p/16561489.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。