研究生图像处理方向怎么学习
专栏和回答持续更新，建议点赞收藏~专栏起源及目录-知乎(zhihu.com)下面是已更新的目录传统图像处理基础概念扫盲系列：基础概念扫盲(一)：区分图像处理与计算机视觉-知乎(zhihu.com)基础概念扫盲(二)：图像的获取，数字化，k比特图像及三种表示方法-知乎(zhihu.com)基础概念扫盲(三)：各种分辨率和像素-知乎(zhihu.com)基础概念扫盲(四)：图像内插之最邻近法和双线性法-知乎(zhihu.com)基础概念扫盲(五)：像素的相邻，连通-知乎(zhihu.com)基础概念扫盲(六)：灰度变换-知乎(zhihu.com)基础概念扫盲(七)：各种图像之二值图，灰度图，RGB图，矢量图-知乎(zhihu.com)基础概念扫盲(八)：图像的对比度，饱和度、亮度-知乎(zhihu.com)基础概念小结(1~8)-知乎(zhihu.com)常用API整理简单代码实操这一章节介绍了常用API的使用方法，这些API是opencv中经常要用到的，你不需要记住它们，只要知道什么时候该想起它们，在哪里找到它们就可以了，建议收藏+点赞~。后面我会基于这些基本的API开发一些简单好玩的应用。图像和Mat的创建，访问简单代码实操(一)：图像读取、显示和保存-知乎(zhihu.com)imread：图像读取imshow：图像显示waitKey：与图像显示搭配使用namedwindow：与图像显示搭配使用imwrite：图像保存destroyAllWindows：销毁窗口简单代码实操(二)：Mat的创建及读取-知乎(zhihu.com)Mat的数据类型：CV_8U,CV_8S等Mat的常用属性：rows,cols,channels,type,depthMat的拷贝：copyToMat的构造：几种Mat的函数原型Mat元素的访问：使用数组或者使用指针访问图像运算简单代码实操(三)：Mat的算术运算-知乎(zhihu.com)Mat的加减乘除，点乘等简单代码实操(五)：使用逻辑操作-知乎(zhihu.com)bitwise_and：逻辑与bitwise_not：逻辑非bitwise_or：逻辑或bitwise_xor：逻辑异或简单代码实操(九)：图像像素值统计-知乎(zhihu.com)minMaxLoc：图像最大值，最小值及其位置meanStdDev：图像的均值及方差简单代码实操(十)：图像的归一化与类型转换-知乎(zhihu.com)normalize：图像归一化convertTo：图像的类型转换常用的图像处理简单代码实操(四)：使用colormap-知乎(zhihu.com)applyColorMap：图像色系的转换简单代码实操(六)：通道分离与合并-知乎(zhihu.com)split：通道分离merge：通道合并简单代码实操(七)：色彩空间转换-知乎(zhihu.com)cvtcolor：图像色彩空间转换，如彩色图转换为灰度图简单代码实操(十一)：图像缩放与插值-知乎(zhihu.com)resize：图像缩放与插值简单代码实操(十二)：图像翻转与旋转-知乎(zhihu.com)flip：图像翻转wrapAffine：图像旋转与平移鼠标响应简单代码实操(八)：鼠标响应-知乎(zhihu.com)setMouseCallback：设置鼠标响应应用最近使用opencv做了一个小应用，有时间和大家分享一下原回答--------------------------------------下面是原回答---------------------------------------尽管目前深度学习火热，但我还是建议你学习一下传统的图像处理。因为深度学习本质上是通过数据训练，让模型自己去学习卷积核等参数，不需要手动提取特征，所以降低了图像处理的入门门槛。很多人就是跑一个在网上download一个网络结构，然后跑出来发现结果还不错就以为自己掌握了图像处理的技术了，这其实是一个误区。现在网络结构层出不穷，然而计算机视觉的提升不在于搭建模型，而在于不断调优、改进过程中积累的经验。你得知道为什么要这样设计，如何去改进，这就需要你对图像处理有一个底层的理解。所以我建议分成两部分学习，第一部分传统图像处理，第二部分基于深度学习的图像处理。如果你决心要在这个领域深耕，那么图像底层方面的知识坚决不可跨越的，欲速则不达。分享一个可行的学习路线，相信按照这个路线下来之后你的水平一定会有质的提升。第一章：机器学习与计算机视觉计算机视觉简介技术背景了解人工智能方向、热点计算机视觉简介cv简介cv技能树构建应用领域机器学习的数学基础线性与非线性变换概率学基础熵kl散度梯度下降法计算机视觉与机器学习基础图像和视频图像的取样与量化滤波直方图上采样下采样卷积直方图均衡化算法最近邻差值单/双线性差值特征选择与特征提取特征选择方法filter等特征提取方法：PCA、LDA、SVD等边缘提取CannyRobertsSobelPrewittHessian特征Haar特征相机模型小孔成像模型相机模型镜头畸变透视变换计算机视觉与机器学习进阶聚类算法kmeans层次聚类密度聚类谱聚类坐标变换与视觉测量左右手坐标系及转换万向锁旋转矩阵四元数三维计算机视觉立体视觉多视几何SIFT算法三维计算机视觉与点云模型PCL点云模型spinimage三维重构SFM算法图像滤波器直通滤波体素滤波双边滤波器条件滤波半径滤波图像增加噪声与降噪OpenCV详解OpenCV算法解析线性拟合最小二乘法RANSAC算法哈希算法DCT算法汉明距离图像相似度第二章：深度学习与计算机视觉神经网络深度学习与神经网络深度学习简介基本的深度学习架构神经元激活函数详解（sigmoid、tanh、relu等）感性认识隐藏层如何定义网络层损失函数推理和训练神经网络的推理和训练bp算法详解归一化BatchNormalization详解解决过拟合dropoutsoftmax手推神经网络的训练过程从零开始训练神经网络使用python从零开始实现神经网络训练构建神经网络的经验总结深度学习开源框架pytorchtensorflowcaffemxnetkeras优化器详解(GD,SGD,RMSprop等人工智能就业方向及前景
人工智能是目前全球范围内科技竞赛的高地，我国在人工智能领域给予极大的政策支持，目前已经有32家高校开班人工智能相关学科，校外培训机构也纷纷开展人工智能技能培训。高层次人才不断涌入到AI领域，我们需要更清晰的了解人工智能的就业方向以及行业前景。
人工智能就业方向：
人工智能技术仍然处于发展阶段，虽然在某些领域已经得到初步的应用，但是整体行业来看人工智能主要就业方向在于科研机构、高校讲师、互联网企业软硬件开发人员三个主要的方向。科研机构主要对人工智能技术进一步的探究，为真正的人工智能实现储备技术力量。高校讲师以及培训机构讲师主要是为人工智能的应用储备人才力量，为人工智能的普及应用提供强有力的人才支撑。相对于前面两个就业方向而言，互联网企业软硬件开发是目前人工智能学习者的主要就业方向。具体就业的技术应用领域有以下这些：
1、搜索方向：搜索是人工智能的重要应用领域，目前初步实现的人工智能产品例如小度小度、小爱同学、天猫精灵等，都是建立在智能搜索和语音搜索的基础之上的。此外图片搜索已经基本实现，精准度可以达到90%以上，例如百度识图、作业帮搜题等。视频搜索也是搜索领域进一步研究的方向。
2、计算机视觉和模式识别方向：这个方向是从技术层面划定的方向，其应用领域包括：智能办公、智能交通、智慧城市等等。技术的表现层有指纹识别(常见如智能办公中的打卡、公安系统中的案件处理)、人脸识别(常见如各种互联网工具认证、规模化人员管理)、虹膜识别(常见如影视剧中密码锁)、车牌识别(交通系统中的违章判定以及电子化处理)等等。
3、医学图像处理：医疗设备和医疗器械很多都会涉及到图像处理和成像技术，诸如西门子、飞利浦等企业都会有专门的人工智能研发部门。
4、无人驾驶领域：无人驾驶是近些年国内比较热点的话题，也是人工智能重点应用领域之一，某些汽车品牌已经在无人驾驶领域得到了应用并且真正获得上路资格，但是由于目前的人工智能技术并无法支撑真正的无人驾驶，因此在无人驾驶车辆出现事故后，无人驾驶的应用目前再次回归实验室。
5、智慧生活和智慧城市等：阿里集团已经与杭州签订智慧城市的合作协议。包括交通、商业、生活的诸多领域将会出现人工智能的影子。此外智慧生活包括智能家居等领域也已经逐步推广应用于人们的日常生活中。
整体来看，目前人工智能在语音识别、图像识别等领域已经逐渐走向城市，但是距离真正的人工智能还有很长的距离。虽然机器学习作为人工智能的技术支撑已经普及到目前人工智能的学习之中，但是深度学习的进一步实现，还需要由不断涌入的人才进一步探索。但目前来看，人工智能的技术已经逐渐融入并开始改变我们的生活，根据艾瑞咨询数据统计，2019年作为人工智能实现的核心支撑，中国基础数据服务行业市场规模约为30.9亿元，可以充分看出未来人工智能的市场范围只可能比基础的数据服务更加广阔。