影象處理與影象識別筆記（一）
阿新 • • 發佈：2018-11-05
本系列是研一課程《影象處理與影象識別》的隨堂筆記，主要內容是數字影象處理方面，根據老師的講課內容與自己的理解所書寫，還會有一些具體實現的程式碼，基於Python，歡迎交流。本篇主要介紹影象處理與影象識別的基礎知識。
一、影象處理（ImageProcessing）
影象處理是對影象資訊進行加工處理，以滿足人的視覺心理和實際應用的要求。
影象處理是以人作為最終的資訊接收者，主要目的是改善影象的質量。
影象處理是計算機視覺的基礎。
二、影象識別（ImageRecognition）
影象識別是以機器為物件，目的是使機器或計算機能自動地識別目標，屬於計算機視覺範疇內。
影象分割是數字影象處理中的關鍵技術之一，指的是將影象中的有意義的特徵部分提取出來，包括影象中物體的邊緣、區域等。影象分割是進一步進行影象識別、分析和理解的基礎，例如手寫資料集MNIST就是已經分割好的資料集。我們這裡所述的影象分割是指傳統的分割，將屬於不同物體的畫素分開，計算機並不知道分割出來的內容是什麼，這個階段的影象分割方法包括像Ostu、FCM、分水嶺、N-Cut等，屬於非監督學習；影象語義分割是更高階的分割，語義分割是在傳統分割的基礎之上，分類出每一個區域的語義，這個階段的主要方法是深度學習。還有一種分割叫例項分割（Instance Segmentation），在語義分割的基礎上，對屬於同一類別的不同物體進行劃分。影象分割的應用場景，比如自動駕駛，3D 地圖重建，美化圖片，人臉建模等等。影象分割是畫素級的，與影象分類、目標檢測區分開，是更高一級層面的
上圖中的影象分割應指的是傳統的分割方法，在傳統的影象識別中需要先進行影象分割。
三、影象識別快速發展的原因
（1）計算效能大幅提高，底層晶片從CPU+GPU到FPGA，再到人工智慧晶片，計算效能不斷重新整理；
（2）應用場景多樣化，提升產業與技術的發展；
（3）開源工具與框架方便學習與研究，縮短理論到應用的距離。