传统图像处理还有前景吗？

zifa2003293 · 发表于 2021-11-21 10:34

直观认识

没有数据集时，深度学习说，这事我干不了。试试SIFT等手工特征吧。
不考虑速度和算力成本时，手工特征说：深度学习带带我，我抱你大腿，能改善性能。别扔下我不管。
要考虑时，手工特征说，深度学习就是高射炮，打蚊子不如电蚊拍，又快又准。2020年出了个新的局部描述子。
传统图像处理: 依赖手工特征(有理有据，可解释。但天花板就是设计特征的人的思维？)
深度学习：依赖模型学到的特征。用算力来突破工程师的脑力和想象力 (贫穷限制了我的想象力, 因为买不起GPU)。难解释。【但人脑的机理现在也解释不清啊，不也用了起码上千年吗】
具体对比

传统 CV 技术：
* 基于特征 * 这些传统方法包括：

尺度不变特征变换（Scale Invariant Feature Transform，SIFT）
Speeded Up Robust Feature，SURF
基于加速分割测试的特征（Features from Accelerated Segment Test，FAST）
Hough transform
Geometric hashing

特征描述子（如 SIFT 和 SURF）通常与传统机器学习分类算法（SVM和KNN）结合使用，来解决 CV 问题。
传统CV方法的优点：
1.快, 2.不强求gpu 3.透明.
可以判断解决方案能否在训练环境外有效运转。 CV 工程师了解其算法可以迁移至的问题，这样一旦什么地方出错，他们可以执行调参，使算法能够有效处理大量图像。
深度学习有时会「过犹不及」，传统 CV 技术通常能够更高效地解决问题，所用的代码行数也比深度学习少。 SIFT，甚至简单的色彩阈值和像素计数等算法，可对任意图像执行同样的操作。 相反，深度神经网络学得的特征是特定于训练数据的。
因此，SIFT 等算法通常用于图像拼接/3D 网格重建等应用，这些应用不需要特定类别知识。这些任务也可以通过训练大型数据集来实现，但为一个封闭应用费这么大劲并不实际。
ref: 机器之心：传统计算机视觉技术落伍了吗？不，它们是深度学习的「新动能」
目前深度学习还不能一统天下的方向(传统方法的用武之地)：

3D视觉(3D CNN 的计算复杂度随着分辨率呈现三次方增长。)
数据增强：人们希望数据增强步骤需要极少的计算，且可在深度学习训练流程中实现，这样变换后的图像就不必存储在磁盘中了。 PCA、噪声添加、在特征空间的样本之间进行内插或外推(Mixup等方法？)，以及基于分割标注，建模视觉语境周边物体。
在低成本微处理器上处理简单场景。例如，对流水线传送带上的两类产品进行分类，一类是红色一类是蓝色。深度神经网络需要首先收集充足的训练数据。然而，使用更简单、快速的色彩阈值方法也能达到同样的效果。

手工特征+深度学习 = （maybe)做到又快又准：

某论文：
将 乘积累加运算 减少到深度学习方法的 130-1000 分之一，帧率相比深度学习方法有 10 倍提升。此外，混合方法使用的内存带宽仅为深度学习方法的一半，消耗的 CPU 资源也少得多。
过去4年内的论文有做:

Local Learning With Deep and Handcrafted Features for Facial Expression Recognition

2. Editorial Image Retrieval Using Handcrafted and CNN Features

In this work, we present a combined feature representation based on handcrafted and deep approaches, to categorize editorial images into six classes (athletics, football, indoor, outdoor, portrait, ski).

3. Using CNN With Handcrafted Features for Prostate Cancer Classification

Our model combines both convolutional neural network (CNN) extracted features and handcrafted features. In our model, the input data is sent into two subnets. One is a modified ResNet with an improved spatial transformer (ST) for high dimension feature extraction. The other subnet extracts three handcrafted features and processes them with a simple CNN. After those two subnets, the output features of the two subnets are concatenated and then sent into the final classifier for prostate cancer classification. Experimental results show that our model achieves an accuracy of 0.947, which is better than other state-of-the-art methods

4. Feature Engineering Meets Deep Learning: A Case Study on Table Detection in Documents

…… As a side effect, decades of research into hand-crafted features is considered outdated. In this paper, we present an approach for table detection in which we leverage a deep learning based table detection model with hand-crafted features from a classical table detection method. We demonstrate that by using a suitable encoding of hand-crafted features, the deep learning model(DL为主手工特征为辅) is able to perform better at the detection task.

comparable with the state-of-the-art deep learning methods without the need of extensive hyper-parameter tuning

5. Object detection on deformable surfaces using local feature sets， 2017

randomly oriented objects in pick-and-place systems. Feature matching algorithms such as SIFT, SURF etc. usually fail when there are multiple instances of same object and object shape deformation problems in the scene. we present an approach which uses SURF feature sets consisting of local neighbor features for matching and hierarchical clustering for estimating object center. Using extracted local neighbor features and their descriptors, our algorithm finds more number of true-positive matches among features and improves the detection in the case of deformation and multiple instances.

6. Engineering Hand-designed and Deeply-learned features for person Re-identification
cv离不开opencv，opencv2020年的更新：

更好的SIFT（Better SITF）
RANSAC的改进
RANSAC, 随机一致性采样, 主要解决样本中的外点问题，最多可处理50%的外点情况。
penCV 4.5.1中最令人兴奋的特性之一：
BEBLID (Boosted Efficient Binary Local Image Descriptor 二值图像局部描述子)：2020年引入的一个新的描述符，改善了ORB [ 导向快速和旋转jianduan：有10年的历史，效果好]。
提高图像匹配精度，同时减少执行时间！
只需更改一行代码，将ORB描述符替换为BEBLID ，就可以将这两个图像的匹配结果提高14%。
这在需要局部特征匹配的高级任务中, 比如姿态估计, 计算视差图(用于深度估计), 会产生很大影响

ref: 修改OpenCV一行代码，提升14%图像匹配效果_OpenCV中文网-CSDN博客
ref: 图像局部特征点检测算法综述 - ☆Ronny丶 - 博客园

OpenCV一直引入新论文的算法,包括DL.
基于GMM的MOG2, 被AIC比赛的获奖队伍用于背景提取。
(应该是因为可以直接调用。换成深度学习的方法, 效果可能更好, 但实现起来更复杂。) https://docs.opencv.org/master/d0/de3/citelist.html#CITEREF_MOG2001

科学哲学？

（个人抒发千古骚情时间）
手工特征是具体的，固定的，可描述的。
深度学习的特征，尤其是深层网络的特征，是抽象的，semantic的，人类难描述的。但人类自己如何分辨猫和狗，有时也难用语言描述。
如果把手工特征比喻成常量，深度特征就是变量。手工特征，如角点，是深度特征的子集。

大道无形，“水无形而有万形，水无物能容万物”。

唯有不囿于“形”，方能窥见“神”。

人类无法理解与解释的特征，可能机器容易理解与解释。毕竟人眼看山还是山，但机器看山不是山，看水不是水，看到的是RGB, HSV, Lab，是pattern，是高斯分布。

DungDaj · 发表于 2021-11-21 10:42

直观认识

没有数据集时，深度学习说，这事我干不了。试试SIFT等手工特征吧。
不考虑速度和算力成本时，手工特征说：深度学习带带我，我抱你大腿，能改善性能。别扔下我不管。
要考虑时，手工特征说，深度学习就是高射炮，打蚊子不如电蚊拍，又快又准。2020年出了个新的局部描述子。
传统图像处理: 依赖手工特征(有理有据，可解释。但天花板就是设计特征的人的思维？)
深度学习：依赖模型学到的特征。用算力来突破工程师的脑力和想象力 (贫穷限制了我的想象力, 因为买不起GPU)。难解释。【但人脑的机理现在也解释不清啊，不也用了起码上千年吗】
具体对比

传统 CV 技术：
* 基于特征 * 这些传统方法包括：

尺度不变特征变换（Scale Invariant Feature Transform，SIFT）
Speeded Up Robust Feature，SURF
基于加速分割测试的特征（Features from Accelerated Segment Test，FAST）
Hough transform
Geometric hashing

特征描述子（如 SIFT 和 SURF）通常与传统机器学习分类算法（SVM和KNN）结合使用，来解决 CV 问题。
传统CV方法的优点：
1.快, 2.不强求gpu 3.透明.
可以判断解决方案能否在训练环境外有效运转。 CV 工程师了解其算法可以迁移至的问题，这样一旦什么地方出错，他们可以执行调参，使算法能够有效处理大量图像。
深度学习有时会「过犹不及」，传统 CV 技术通常能够更高效地解决问题，所用的代码行数也比深度学习少。 SIFT，甚至简单的色彩阈值和像素计数等算法，可对任意图像执行同样的操作。 相反，深度神经网络学得的特征是特定于训练数据的。
因此，SIFT 等算法通常用于图像拼接/3D 网格重建等应用，这些应用不需要特定类别知识。这些任务也可以通过训练大型数据集来实现，但为一个封闭应用费这么大劲并不实际。
ref: 机器之心：传统计算机视觉技术落伍了吗？不，它们是深度学习的「新动能」
目前深度学习还不能一统天下的方向(传统方法的用武之地)：

3D视觉(3D CNN 的计算复杂度随着分辨率呈现三次方增长。)
数据增强：人们希望数据增强步骤需要极少的计算，且可在深度学习训练流程中实现，这样变换后的图像就不必存储在磁盘中了。 PCA、噪声添加、在特征空间的样本之间进行内插或外推(Mixup等方法？)，以及基于分割标注，建模视觉语境周边物体。
在低成本微处理器上处理简单场景。例如，对流水线传送带上的两类产品进行分类，一类是红色一类是蓝色。深度神经网络需要首先收集充足的训练数据。然而，使用更简单、快速的色彩阈值方法也能达到同样的效果。

手工特征+深度学习 = （maybe)做到又快又准：

某论文：
将 乘积累加运算 减少到深度学习方法的 130-1000 分之一，帧率相比深度学习方法有 10 倍提升。此外，混合方法使用的内存带宽仅为深度学习方法的一半，消耗的 CPU 资源也少得多。
过去4年内的论文有做:

Local Learning With Deep and Handcrafted Features for Facial Expression Recognition

2. Editorial Image Retrieval Using Handcrafted and CNN Features

In this work, we present a combined feature representation based on handcrafted and deep approaches, to categorize editorial images into six classes (athletics, football, indoor, outdoor, portrait, ski).

3. Using CNN With Handcrafted Features for Prostate Cancer Classification

Our model combines both convolutional neural network (CNN) extracted features and handcrafted features. In our model, the input data is sent into two subnets. One is a modified ResNet with an improved spatial transformer (ST) for high dimension feature extraction. The other subnet extracts three handcrafted features and processes them with a simple CNN. After those two subnets, the output features of the two subnets are concatenated and then sent into the final classifier for prostate cancer classification. Experimental results show that our model achieves an accuracy of 0.947, which is better than other state-of-the-art methods

4. Feature Engineering Meets Deep Learning: A Case Study on Table Detection in Documents

…… As a side effect, decades of research into hand-crafted features is considered outdated. In this paper, we present an approach for table detection in which we leverage a deep learning based table detection model with hand-crafted features from a classical table detection method. We demonstrate that by using a suitable encoding of hand-crafted features, the deep learning model(DL为主手工特征为辅) is able to perform better at the detection task.

comparable with the state-of-the-art deep learning methods without the need of extensive hyper-parameter tuning

5. Object detection on deformable surfaces using local feature sets， 2017

randomly oriented objects in pick-and-place systems. Feature matching algorithms such as SIFT, SURF etc. usually fail when there are multiple instances of same object and object shape deformation problems in the scene. we present an approach which uses SURF feature sets consisting of local neighbor features for matching and hierarchical clustering for estimating object center. Using extracted local neighbor features and their descriptors, our algorithm finds more number of true-positive matches among features and improves the detection in the case of deformation and multiple instances.

6. Engineering Hand-designed and Deeply-learned features for person Re-identification
cv离不开opencv，opencv2020年的更新：

更好的SIFT（Better SITF）
RANSAC的改进
RANSAC, 随机一致性采样, 主要解决样本中的外点问题，最多可处理50%的外点情况。
penCV 4.5.1中最令人兴奋的特性之一：
BEBLID (Boosted Efficient Binary Local Image Descriptor 二值图像局部描述子)：2020年引入的一个新的描述符，改善了ORB [ 导向快速和旋转jianduan：有10年的历史，效果好]。
提高图像匹配精度，同时减少执行时间！
只需更改一行代码，将ORB描述符替换为BEBLID ，就可以将这两个图像的匹配结果提高14%。
这在需要局部特征匹配的高级任务中, 比如姿态估计, 计算视差图(用于深度估计), 会产生很大影响

ref: 修改OpenCV一行代码，提升14%图像匹配效果_OpenCV中文网-CSDN博客
ref: 图像局部特征点检测算法综述 - ☆Ronny丶 - 博客园

OpenCV一直引入新论文的算法,包括DL.
基于GMM的MOG2, 被AIC比赛的获奖队伍用于背景提取。
(应该是因为可以直接调用。换成深度学习的方法, 效果可能更好, 但实现起来更复杂。) https://docs.opencv.org/master/d0/de3/citelist.html#CITEREF_MOG2001

科学哲学？

（个人抒发千古骚情时间）
手工特征是具体的，固定的，可描述的。
深度学习的特征，尤其是深层网络的特征，是抽象的，semantic的，人类难描述的。但人类自己如何分辨猫和狗，有时也难用语言描述。
如果把手工特征比喻成常量，深度特征就是变量。手工特征，如角点，是深度特征的子集。

大道无形，“水无形而有万形，水无物能容万物”。

唯有不囿于“形”，方能窥见“神”。

人类无法理解与解释的特征，可能机器容易理解与解释。毕竟人眼看山还是山，但机器看山不是山，看水不是水，看到的是RGB, HSV, Lab，是pattern，是高斯分布。

JamesB · 发表于 2021-11-21 10:51

2019年10月10日更新：
今天突然发现有我不得不回应一下的评论，想了一下，我决定在答案中更新一下作为回应。
这位@发发的知友评论如下：

首先感谢这位知友对我及我母校的评论，无论是否友善，但毕竟是一种交流，我坚信有交流就有收获。
在这里我回应三点：
第一点：我从来没有表达过北京大学、清华大学及各类985、211毕业生或双非大学毕业生是“水货”，因为我要阐述的问题点与学历这种经历凭据无关。
我想表达的是，在专精于数字图像处理和计算机视觉方向上的研究人员，比任何跨界形式进入该领域的研究人员要拥有更多优势！同时反对因急功近利的短期狭隘目标，在未经过深思熟虑和认真学习的情况下贸然进入这个行业进行话题炒作与低水平从业的投机性经济操作！
第二点：关于脸的大小，我确实不知道怎么衡量，我真没太考虑过这个问题。如果是研究圈子的声望，我根本排不进去，因为我根本不在这个圈子。如果是工程圈子，我也是在一个比较狭窄的范围中活动，也不敢讲自己是XX大佬，我只能说我是个从业者，年头不多不少，有一些体会与心得。但是我觉得这不影响题主的信息获得与获得信息的质量，大佬很忙的，不是忙着研究就是忙着赚钱。
但就我个人而言，我觉得比较让我感到荣幸的，是以ODM出货量计算，水果厂2015年开始至目前的所有消费电子硬件中，有大约1/3的声学组件（麦克风和听筒）的在线生产过程中使用了我本人开发的产品，菊花厂各型智能手机的1/4声学组件同样。其次，我的产品不单在国内使用，也在海外有喜爱的客户，为公司与合作伙伴产生了上千万元经济收益。
基于我没有给祖国拖后腿的情况，我觉得我应该还是有资格发表一下个人观点的。
第三点：关于中国高校鄙视链问题，我向这位知友表示我非常清楚自己和自己的母校哈尔滨理工大学处于这个鄙视链的最底端情况，毕竟这也是我过去的老师们也承认的问题。关于齐齐哈尔大学很抱歉我从没去过也没接触过所以不方便评价什么，更不知道它最近发生了什么。但是我要表达的是，感谢所有的鄙视和嘲讽，因为对于我个人而言，这是再直接不过的发展动力！
作为毕业于哈理工且曾经工作服务过哈理工的我，对我的师弟师妹问一直讲一点：清北比我们有更大可能成为改变国家或改变世界的天才，但我们只要成为知识与技术的优秀应用者，或者成为起码的熟练应用者，就已经对得起国家、人民和我们自己了。
最后我想说：即使是钻戒，也不应该鄙视包裹着它的包装盒，包装盒也是有价值的！
我关注了这位知友@发发，也祝愿你能成为改变国家或世界的少数天才！
---------------原回答分割线-------------

看到这个问题，我觉得要分解一下回答：
提醒：整个回答基于功利化考量，以市场为准绳！
1、数字图像处理、机器视觉、计算机视觉、深度学习四者之间的关系：
A、数字图像处理是计算机视觉的发展基础
数字图像及其处理的概念比通用可编程型计算机鼻祖ENIAC出现的早，20世纪20年代的Bartlane电缆图像传输系统就已经实现了对二维图像的数字化编码、传输和复原。随着电子计算机技术发展过程中对图像采集、显示、传输和初级处理（缩放、旋转、剪裁等）的需求不断增加，最终参考Bartlane编码方式（灰阶编码），逐渐形成了如今我们了解和使用的计算机数字图像处理体系。
在计算机数字图像处理体系的基础上，结合计算机的可编程性质，人们希望计算机拥有对图像的高级处理能力——即“感知”能力（内容识别与信息提取），并发展出了图像分割、匹配搜索、差异对比等具体能力，最终构建了一个完整的计算机视觉技术体系。
B、机器视觉是计算机视觉的一个“真子集”
题主没有问到“机器视觉”，但我为什么要讲这个？因为机器视觉和计算机视觉两个词很容易被混用而引起理解上的凌乱。
计算机视觉技术的应用目前已经非常广泛了，但在终端消费者认知范围内，多数是以“计算机视觉”这个全局概念呈现，但在商用领域（尤其是制造业），更多的是以“机器视觉”标注各类工作岗位。
机器视觉你可以理解为——在经过给定背景、光源、采集光学器材参数的特定环境下，实现对目标感知区域拍摄的数字图像进行指定要求的处理，并提取特定的信息数据，并输出给指定设备作为动作依据。重点在于环境往往是给定的！！！也可以理解为可控环境下的视觉感知，且感知结果可以作为特定机器能够识别的特定信号（合格或不合格、机械坐标位置）进行输出即可。
而上升到计算机视觉技术，其应用过程中往往更多要求对于复杂变化环境的包容性，以求达到类似人眼对空间的感知能力，并根据人类要求，输出类似人与人之间沟通交流时产生的信息。
目前传统机器视觉算法使用的最大客户是制造业，计算机视觉技术的最大规模经济市场就是制造业所需的“机器视觉”细分方向。
C、深度学习是解决计算机视觉感知分析问题的一种“新工具”
深度学习本身并不是专门针对数字图像处理而产生的，而是作为信息技术中，增强计算机感知分析能力而产生的。因此深度学习并不仅限于图像处理分析，语音信息分析、文字描述信息分析、大数据挖掘、对抗策略分析等都是深度学习的应用范围，它专精于“如何感知分析”。
但在计算机视觉技术与深度学习技术结合应用时，基本上都需要通过传统数字图像处理技术进行先期数据处理（降噪、颜色通道分离、二值化等），以便于降低深度学习的感知分析环节难度。
所以千万不要把目前吹上天的深度学习当做一个全新的数字图像处理体系，它仅仅是一个实现感知增强的局部新工具而已！
2、传统图像处理算法是否已经失去了学习价值？
假设包括题主在内的很多人认为这个答案是肯定的，那么我希望持肯定答案的同学去看一下我国制造业每年购买美国康耐视、日本Visco以及基恩士、欧姆龙、邦纳、得利捷等外资机器视觉解决方案提供商多少钱的产品，再看看国内同行企业与上述外资企业的注册资本差异。
如果有同学对比完之后还是觉得没有学习价值了，那么~

放心，我绝对不会打死你的！

3、老师做传统图像处理的，会不会导致学生毕业即淘汰？
我的大学老师讲过：“知识就在那里，只要你掌握学习方法与思想就一定能学会，大学解决的就是学习方法和学习思想的问题！”
那么，相比各类互联网出来的半路出家学习深度学习后到处忽悠搞工业项目落地的水货、以及专门研究深度学习的但没有专精视觉方向的其他人，你觉得你会被淘汰吗？？？
如果题主还是觉得会被淘汰，那么！

最后~

RedZero9 · 发表于 2021-11-21 11:01

我个人认为传统图像处理技术是计算机视觉的基础，在很多领域还是有一定前景的
明确什么是传统图像处理？
首先我想先说明一下传统图像处理绝不是某些人认为，图像去噪，图像增强等等这些入门书籍里面提到的，书本上的东西很多都是为了满足大部分初学者的基本需求，即了解，但并不是完全就是只有这些内容，还有更加复杂的更加牛皮的东西等着大家去开发。
举一些传统图像处理的例子或许会清晰明了一些：
（1）图片扭曲矫正

图片来源网上

（2）仪表盘读数自动识别

图片来源网上

图片来源网上

（3）机械手视觉

图片来源网上

当然这里只是列举少数一部分的应用，还有很多有趣的应用等着我们去发现
同时我自己个人也尝试过一些比较有趣的小demo，可以供大家参考一下
扫描全能王？原来图像技术可以这样子玩来吧，见识科技的力量，无需手动找拍糊的图这种方式打开会ctrl的流量明星cxk，简直就是魔鬼酷炫骚操作，票圈装13神技，极坐标全景图用python和opencv检测图像中的条形码OpenCV测量物体的尺寸技能 get～还在用肉眼找不同吗？这个技术轻松搞定

图片转换成极坐标全景图

个人公众号简介：
推荐 | 考研逆袭+跨行计算机视觉的技术成长类公众号
目前招传统图像处理的企业都有哪些，以及岗位工作内容？
其大家担心的主要原因还是怕自己学的技术未来是否会被淘汰，那么从目前来看，这边从招聘网上搜索“机器视觉”岗位，还是有很多

猎聘网

岗位要求：

可见其实市场还是有的，特别是在工业自动化领域，如果你设计的方案能解决现实的问题，所创造的利润是非常可观的。
这里再分享一个之前校招面试的公司，他们的一些解决方案：

因此，传统图像处理实际上应用的案例很多，只是并没有人工智能那么火热，每天都有那么铺天盖地的新闻。。。
计算机视觉是否会完全替代传统图像？
未来不好说，但是从目前来看，虽然计算机视觉在很多方面表现出更加优秀的性能，更高的准确率，更强的泛化能力等等，但是在工业自动化生产的这些场景中，生产流程固定，追求快速和效率，传统图像处理的速度优秀就非常的明显。
当然未来的趋势绝对是两者相互融合的，没有什么东西是可以长盛不衰的，只有不断去学习去思考和探索才不会被社会淘汰，当然切记贪多嚼不烂，较好的状态是有自己的一技之长，然后在自己的长处的基础上，跟进现在的新技术，这才是长久之计~
总结
传统图像处理技术是基础，绝大部分情况下都是需要这些基本操作的，而对于具体的实际问题，其实就是一个解决方案的设计问题了，有些场景下传统图像处理有它的优势所在，无论是现在还是以后，传统图像处理的技术都是需要的，即使是目前的计算机视觉很多内在的思想都是来源于传统图像处理技术。

kirin77 · 发表于 2021-11-21 11:02

虽然我们岗位工作涉及大量深度学习相关工作。但我们招人面试的标准，都是先考察传统图像处理基础如何。如果传统基础扎实，会很加分。
但如果只做深度学习，基本会pass。除非对于深度学习底层理解很深。可深度学习问的深点也能只到梯度下降。可梯度下降实际上只是最优化理论里面一个非常基础的一阶优化方法。
在公司是以任务为导向的，拿到一个任务你需要自己调研确定用什么方法去实现，这就需要你对图像处理算法有一个大框架的认识，而不是只会冰山一角。
说实话深度学习是最容易入门的，遍地都是调参侠，传统方法会的人，是真的稀缺。

fwalker · 发表于 2021-11-21 11:08

科研领域：传统方法基本绝迹了，前两年投CVPR，用的传统方法，审稿人的一致问题就是为什么不用CNN试一试，然后就拒掉了。现在科研圈就是这个氛围，硬要用传统方法做图像处理，确实不怎么吸引人，而且传统方法也不太容易玩出什么花样了，所以创新性上一般不太容易太显眼。而且很多审稿人就是这几年深度学习出现之后才入坑的，对于传统方法的偏见是很正常的，在他们看来，传统方法的各种改动，无非就是现有技术的罗列和重新排列组合，而神经网络中修改一下下，则是重大的算法贡献。不过，当然有例外，比如HDR Plus等，近年还是有一些传统方法的工作，但是难度比用深度学习难得多。
实际解决问题:图像处理领域，个人觉得大部分可以解的问题，还是传统方法有优势。现在的情况是，容易解的问题，传统方法可以搞定，那么深度学习就没有必要。不容易解的问题，传统方法搞不定，深度学习方法可以提升性能，但基本上还是搞不定，而且因为训练数据的问题，可能还不稳定。如果传统方法就是一个永远考80分的学生，深度学习方法则是偶尔考100，平均80多分，但是有些时候能考出不及格。
。。。。。。。。。。。。。。。。。。。
更新一下：回答收到很多评论，再多说两句。因为科研主要是对未知事物的探索，所以当新方法出现的时候，即使性能暂时比较差，也不应该成为拒稿的理由，这也是为什么这几年深度学习的论文如此众多的原因之一吧。但是，现在的审稿人对于CNN和机器学习过于看重，如果不是实力足够强悍的文章，传统方法生存难度还是比CNN大不少。

Ylisar · 发表于 2021-11-21 11:12

传统的图像处理是不会被埋没的！

传统有传统的优势，在一些图像处理上，我们不能动不动上深度学习，上GPU，这样做很多时候是用牛刀杀鸡，效率极其的低；
深度学习并不能面面俱到，所有都做得很好，深度学习结合传统方法，有时能够更好的解决问题。

RedZero9 · 发表于 2021-11-21 11:20

当然有前景了。
个人感觉传统图像处理最关键的是对每个方向的深入理解。目前大多数深度学习工程师对图像原理并不是很精通，这样短时间内问题不大，但是长期来看，一旦深入到具体问题，往往办法不多，更多的就办法就是加大网络结构，调整数据。当然，如果对传统图像算法也仅仅是会调用opencv 或者halcon 相关函数那也是不行的。
如果真是比较懂传统图像算法，这个时候再学一下深度学习相关算法，这样长期来看才比较有利。
个人认为未来人工智能一定是靠系统整体来提供解决方案，，里面可能包含AI算法，也可能有传统算法，不单单是靠一个模型解决所有问题～

JamesB · 发表于 2021-11-21 11:26

反对把传统图像处理和计算机视觉对立起来，这俩是你中有我、我中有你的关系。搞计算机视觉的并不是一点图像处理的基础都没有，也需要花大量时间预处理图像。搞图像处理的，如果一点深度学习都没学过，那也是前途堪忧，至少侧面反映了学习驱动力不足。
至于导师的研究方向，深度学习是2012年之后才火起来的，在这之前拿到博士学位的，99.9%不是搞深度学习出身。大家都是半路出家，临时转方向，但为啥有的导师转方向很成功，团队一年顶会、顶刊文章十几篇，有的导师却守着自己陈旧的研究方向死磕呢？（我不否认坚持传统领域的导师里面有理想主义者，特立独行、不跟风，为了学术甘愿忍受寂寞；可我相信更多人都是实用主义者，能转方向早转了，转不了的则是因为年纪大，杂事多，没有学习动力，对新鲜事物丧失兴趣的缘故……）导师的研究方向，一定程度反映了他的上进心，学术敏感度，以及对科研的追求。
个人认为，即使做图像处理，也应该学习深度学习的知识，并把它作为一个趁手的工具应用在自己的研究领域中。守着旧知识，不接受新鲜事物，做什么都是没有前景的。因此，对于那些守着传统方法做图像处理的导师，如果不是每年有硬核的产出，我是不建议进他们组的。
PS：
现在 diss 深度学习已经是政治正确了。楼上有回答说到工业界如何如何，然后 diss 了一波搞深度学习的都是跟风转行，骗钱云云。我就不举例说明深度学习是如何在N个领域颠覆传统图像处理了。主要琢磨着即使深度学习没火起来的时候，每年提出的那些算法啊、公式啊，今天加一个正则项，明天换一个metric，后天换一套 feature……真正经过工业界检验的也是屈指可数吧？工业届可堪一用的大部分不还是几十岁高龄的老算法嘛。提出那些所谓新算法的人难道都是骗子吗？如果按照这个标准，既然都是骗，我干嘛不找个噱头足的骗呢？否则被其他骗子抢了先机，自己岂不是吃屎都赶不上热乎的？

BlaXuan · 发表于 2021-11-21 11:26

像检测分割这种当然没有前景。但像图像拼接等都是用传统算法。

		自动登录	找回密码
密码			立即注册

传统图像处理还有前景吗？

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

本帖子中包含更多资源

浏览过的版块