本人研一图像处理方向，想问该怎么尽快上手，纠结的是先把python学扎实还是先整图像处理相关理论呀？

xiaozongpeng · 发表于 2021-7-2 19:50

学Python和学图像处理相关理论并不冲突，可以两者同时进行。
首先，恭喜你快要进入CV的坑了（褒义褒义～），你现在研一，本科阶段应该是理工科专业，高数和线性代数等基础课程已经接触过了，可以先去学习一些图像处理的基本知识了，比如图像色彩空间、直方图、退化、复原等基本知识，并且要了解他们有哪些应用场景。同时，你也可以在看这些基础理论的时候开始着手学Python了，如果以前学习过C、C＋,或者对matlab比较熟悉，上手Python应该是比较快的，Python上手后，就可以用你掌握的一些基本操作来折腾图像了，灰度、翻转、拉普拉斯变化、傅立叶变换等，你都可以慢慢的来了，熟悉Python的同时又巩固了图像处理的基本知识。

然后，Python和图像处理的基本知识掌握后，你可能就会涉及到一些细分领域内的基础算法了，这时候建议你和你导师或者师兄讨论一下，以后主攻哪一方面。比如图像去噪、超分辨率、去模糊等图像恢复方向，或者图像识别、图像分割、目标检测与追踪等方向，现在cv基本上都会使用深度学习了，基本的框架比如tensorflow、pytorch等也要慢慢了解。
这里有个个人建议，虽然现在的cv论文大部分都离不开深度学习，论文里面的花式神经网络层出不穷，但是，经典的传统图像处理算法还是要用心看，部分深度学习方法或多或少会有传统经典算法的影子。
哪有那么多的灵光一现，大部分人都只是积累得比较多罢了。
祝所有CV人都越来越好，不要再卷了～

KaaPexei · 发表于 2021-7-2 19:55

在没有相关知识背景辅助下，光看理论是没什么感觉的，边学边敲代码可以更直观地理解知识，同时debug或敲不出来参考别人的实现是学习一门语言最快的方法。

jquave · 发表于 2021-7-2 19:56

建议直接上手，碰到问题再慢慢学

Ylisar · 发表于 2021-7-2 20:05

补充一些，现在的图像处理方向，经常结合深度学习方法，例如
1）卷积神经网络
卷积神经网络在图像处理领域，应该是最常用的深度学习方法，主要包括卷积、池化和全连接层等。
卷积神经网络
2）残差网络
在下图中，我们可以看到很多跨层的连接（曲线箭头）。这些跨层连接就是残差网络的核心贡献。
残差网络
3）残差收缩网络
残差收缩网络[1][2]面向的是强噪、高冗余数据，能够通过自适应软阈值化，消减冗余噪声所对应的特征。
（面向强噪、高冗余数据的）残差收缩网络

jquave · 发表于 2021-7-2 20:09

简介

最有效率的方法就是结合编程学习图像处理的相关算法，在实践和具体的案例中理解算法的基本工作原理，同时练习了Python的编程能力，熟悉常用的处理图像的python库。这在学习初期是非常重要的，对以后进一步学习计算机视觉算法、甚至使用神经网络处理图像都非常有意义。
本篇回答针对图像处理，介绍Python中几个常用用于图像处理的工具和标准库，包括：OpenCV, Numpy & Scipy, Scikit-image和PIL（Python Imaging Library）。让初学者尽快上手实践图像处理基本算法。全文干货。
Python开发环境搭建

直接安装Anaconda，支持全平台，而且上面提到的4个标准库除了OpenCV都默认包含在Anaconda中了。而opencv自己单独安装一下就行了。

conda install -c conda-forge opencv

复制代码

检查一下，确保都安装好了：
环境搭建好之后，就可以进行python开发了。
在实战中，一切的起点是打好python基础，如果你是一个没有python基础的小白，有一个课程很适合，这里面有助教老师辅导答疑+督促学习，让你能保证足够的学习时间。对于零基础的同学来说，有老师带着学比找资料自学高效多了，能少走很多弯路。关键是这个体验课现在是免费的！感兴趣的同学可以点下方一键领取↓

OpenCV

图像平滑算法

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread(&#39;opencv_logo.png&#39;)
blur = cv2.blur(img,(5,5))
plt.subplot(121),plt.imshow(img),plt.title(&#39;Original&#39;)
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title(&#39;Blurred&#39;)
plt.xticks([]), plt.yticks([])
plt.show()

复制代码

Numpy & Scipy

import numpy as np
import scipy
import scipy.misc
import matplotlib.pyplot as plt
face = scipy.misc.face(gray=True)
face[10:13, 20:23]
face[100:120] = 255
% 给原图增加一个mask蒙板
lx, ly = face.shape
X, Y = np.ogrid[0:lx, 0:ly]
mask = (X - lx/2)**2 + (Y - ly/2)**2 > lx*ly/4
face[mask] = 0
face[range(400), range(400)] = 255
plt.figure(figsize=(3, 3))
plt.axes([0, 0, 1, 1])
plt.imshow(face, cmap=plt.cm.gray)
plt.axis(&#39;off&#39;)
plt.show()

复制代码

Scikit-image

大津（OTSU）算法，用于确定图像二值化分割阈值，可以调用ostu()函数。

import matplotlib.pyplot as plt
from skimage import data
from skimage import filters
from skimage import exposure
camera = data.camera()
val = filters.threshold_otsu(camera)
hist, bins_center = exposure.histogram(camera)
plt.figure(figsize=(9, 4))
plt.subplot(131)
plt.imshow(camera, cmap=&#39;gray&#39;, interpolation=&#39;nearest&#39;)
plt.axis(&#39;off&#39;)
plt.subplot(132)
plt.imshow(camera < val, cmap=&#39;gray&#39;, interpolation=&#39;nearest&#39;)
plt.axis(&#39;off&#39;)
plt.subplot(133)
plt.plot(bins_center, hist, lw=2)
plt.axvline(val, color=&#39;k&#39;, ls=&#39;--&#39;)
plt.tight_layout()
plt.show()

复制代码

PIL

Mecanim · 发表于 2021-7-2 20:18

2个一起学一起抓，完全不冲突呀！
先学个1-2个月python，多看一些涉及基础的教程，mooc或者udemy上就有很多不错又便宜的课程。
然后试试看找几个kaggle图像处理的project做一下，现在也有很多open packages可以用，比如opencv或者yolo。

Zephus · 发表于 2021-7-2 20:24

先学图像处理相关理论知识，图书馆应该有数字图像处理这本书，学了理论知识后，自己动手实践，不要直接就调用像OpenCV库函数这样，等到理论差不多了，在学习OpenCV。另外Python只是一种编程语言，一个实现算法的工具，最重要的是还是算法原理，懂了原理，用C，MATLAB，Python哪种需要都能实现

jquave · 发表于 2021-7-2 20:32

不清楚您具体做什么，我想这才是最关键的问题
是做传统的图像处理，还是深度学习相关的，考虑到现在的发展还有paper发表的“趋势”，估计还是往深度学习上靠最多，现在貌似没有深度学习，文章都不太容易发，一个很不好的趋势
然后您又打算做什么，是CNN还是GAN，亦或侧重信号处理或者底层数学原理部分
这些都是需要您自己来去实际测试揣摩，看看自己到底要做什么的，所以我感觉首先是要大致找好切入点，不断尝试，多看paper，看看别人怎么做的，看看结果是这么实现的，这些与自己的初衷差别大不大
至于Python简单先了解是怎么用的就好，实际应用起来，不同的框架也都有点不同
原理部分也是如此，你上来就对所有的方法模型非常熟悉是很难的，打住了解即可，上手具体尝试更重要

xiangtingsl · 发表于 2021-7-2 20:40

图像处理方向对工具、语言、数学和算法要求比较高，如果走开发方向，MATLAB，C/C++，Python，opencv这些要语言和工具需要熟悉和灵活运用。如果走算法和科研方向，MATLAB，线性代数，算法复现要花点功夫。
1.建议你以实际的开源项目进行训练学习。
  开源项目相复现，会从中学到一些别人的想法和思路，在复现的过程中会不断的完善自身的技能，里面会涉及很多工具的使用，但是这些工具的使用作者不会和你说，你需要自己探讨。这样一来你就能够灵活运用工具，难度相对低，不容易劝退。
2.建议你复现算法。
  图像处理方向的算法很多，你可以使用MATLAB工具进行算法的复现，MATLAB复现算法相对于其他的语言相对容易，复现算法可以使你使用别人封装好的函数更加的得心应手，碰到图像处理相关的问题，你会有更快的解决的思路。使用MATLAB复现，不容易被劝退。
3.建议你将C/C++语言的基础打扎实。
  语言是基础，基础不好，会遇到很多说不出的bug。程序员需要更大的耐心和更扎实的基本功，基本功扎实的，在学习图像处理方向会不断的正激励自身，学习是枯燥的，但是枯燥里面发现有趣的东西会使你不断的学习进步。扎实的基本功，不会让困难将你劝退。
4.建议你多点看相关的书籍。
图像处理方向里面冈萨雷斯的数字图像处理书籍，里面有MATLAB程序版，建议两本都要入手，还要买一本opencv，对照着看，看不懂没关系，用的时候有印象回去翻书就行，每次看书，记得将有用的知识点记录下来，不断的进步。

RedZero9 · 发表于 2021-7-2 20:41

谢邀.即便是cv领域，也有很多细方向，像目标跟踪，姿态迁移，行人重识别，3d点云，还有现在很火的无人驾驶方向需要用到的图像分割等等
针对处理的图像不一样，又分很多领域，像医学图像的病灶区域检测与预测，真假新闻图文是否一致的检测，还有去年兴起的假脸deepfake检测等等。
入手可以分为这4个点（仅供参考）:

1.选定自己的研究方向
2.针对性的去看相关论文.看这些年这块领域的进展
3.有选择性的复现经典论文中的代码.每个方向代码的思路是不一样，没有必要说，你是A方向，去花一两周时间实现B方向的经典代码。
4.神经网络深度学习的基础知识必须掌握.否则也看不懂论文

附:我承认python是很强大，但不用花时间专门学习，只要有c的基础，那你的代码思想还是在的。哪个函数不会，再去百度，基本能解决。
这是来自一名同是CV坑里的研二狗的灵魂回答，希望对你有点帮助

		自动登录	找回密码
密码			立即注册

本人研一图像处理方向，想问该怎么尽快上手，纠结的是先把python学扎实还是先整图像处理相关理论呀？

本帖子中包含更多资源

本帖子中包含更多资源

本帖子中包含更多资源