1樓：Bryant.Li
在應用opencv解決實際問題時，是必須要了解函式背後的演算法原理的。舉幾個實際應用的例子:
1.雙目相機標定，當然直接用opencv自帶的StereoCalibration就可以實現。但直接用函式預設的引數，標定效果不穩定；並且對於無人機的應用場景，需要在較遠距離仍有較高的標定精度，那這時候就需要我們了解這些引數的作用，以及演算法的原理。
最終可以通過設定引數，以及工程上的優化，實現乙個好的標定效果。
2.目標跟蹤，在較新版本的opencv直接有幾種經典跟蹤演算法的函式，例如tld，mil，kcf等。但對於特定場景的應用，例如無人機機載端跟蹤，對運算能力限制較大，需要對每一種演算法的原理實現都了解，這樣才能自己去優化，最終實現跟蹤效果和運算速度的平衡。
3.目標檢測，例如紅外影象的人員目標檢測。opencv提供了一些特徵提取的函式，也有一些分類器工具供我們應用。
在應用時也許直接用hog+svm就能實現一定效果，或者用yolo框架訓練出分類器然後opencv呼叫也可以，但在運算能力有限制的情況下，上述兩者也許都不合適。這時候就不僅僅是優化hog就能解決的了，也許需要對yolo網路剪枝，但這個可能需要更久的學習時間；我們更需要廣泛的查閱文獻，選取其中的幾篇進行方案評估，最終確定演算法方案。例如，採用MSER+特徵提取(距)+樸素貝葉斯的方案就能取得不錯效果，並且上述三者在opencv都有函式可以呼叫。
2樓：這孩子亂跑啊
說說我吧，我也剛為了專案學C++和OPENCV，以前我是C#陣營的，有時候真懶的學OPENCV自帶的那些演算法比如邊緣檢測的五個傳入參我到現在還沒整明白。我只會MAT a.at(x,y)，然後我迴圈遍歷畫素做各種操作，比如我寫了高斯模糊，二值化，邊緣檢測，繪製矩形等等，而且就算是1080*1920的圖也是效率奇高，不比OPENCV自帶的演算法差，然後我把這些方法封到DLL裡供WPF呼叫，供UNITY呼叫，我愛我的庫，就像不斷裝修一套屬於自己的房子，這種不斷完善的感覺很美妙，就像OPENGL的GLEW庫一樣，以後OPENCV會不會有我的庫出名了開源供給大家使用。
而且我還對專案有胸有成竹的感覺，因為我完全了解了它，忘記說了，我的專案是通過雙目攝像頭做採集點定位，我愛我的專案。所以我忽略了我的家人，媳婦帶著孩子回外省的老家一呆就是半年多。
3樓：mpcv
有必要，非常有必要。
既然你這麼問了，那我預設你是做影象處理/機器學習方向的研究，或者你是程式設計師，但經常要接觸影象相關的程式設計。
兩種情況下你都需要去了解他們的原理。
因為：
如果你讀過opencv的原始碼，你就會發現，好多的演算法，它的實現效率是多麼地低！以及，他考慮的情況是多麼地少！
有時候為了效能，為了更好地應用到你的實際情況，必須要自己手動去實現一些演算法，或者更改opencv的原始碼。
我舉乙個簡單的小例子：
利用opencv的Laplace運算元對影象進行邊緣檢測。
opencv的呼叫方式很簡單：
#include
#include
using
namespace
std;
using
namespacecv;
intmain
()一句Laplacian(src,dst,src.depth())呼叫就搞定了，確實很簡單。效果也不錯：
檢視它的原始碼：
宣告部分：
// .h
CV_EXPORTS_W void Laplacian( InputArray src, OutputArray dst, int ddepthint ksize=1, double scale=1, double delta=0int borderType=BORDER_DEFAULT );
實現部分：
// .cpp
void Laplacian(InputArray src, OutputArray dst, int ddepth, int ksize, double scaledouble delta, int borderType)
注意倒數第4句的ksize，它只考慮了兩個laplacian的掩膜(mask)：
當ksize == 1時(預設值)，選擇k[0]，即掩膜為：
當ksize==3時，選擇k[1],掩膜為：
這兩個掩膜都是非常簡單的3x3的laplacian的掩膜，但是不是太簡單了！
如果我實際需要5x5的掩膜、7x7的掩膜呢？需要不同的掩膜引數呢？這些通過直接呼叫這個函式就做不到了，所以需要我們自己去寫原始碼實現我們想要的功能。
(這個例子是從演算法實現角度去考慮的，另乙個方面是實現效率上，也有很多可以優化的地方.)
所以，少年，勇敢地去了解演算法的原理吧:)
4樓：陳壯壯
opencv使用的方法都是最經典最常規最通用的。
這些方法用起來效果不錯，但是穩定性跟速度都沒法保障，當你要開發具體應用的時候，你還是需要結合你的處理物件訂製一些針對性的演算法，這個時候如果能使用opencv裡的基礎方法進行組合，那是比較方便的，但如果不行，就只能自己寫了。
而且，學演算法的作用不僅是學會應用，也是在學習一種解決問題的思路，這也是影象工作者的價值所在，所以還是好好學吧。
5樓：Shiyi001
要知道我們在使用程式語言的時候，很多東西也已經封裝好了，比如vector,stack,queue...
但是我們還是要學習棧，佇列這些知識啊，對知識的掌握才能讓我們更好地去應用工具～
6樓：
工具是工具。輪子是輪子。
會用好工具是高效開發的能力，能重新造輪子則會深入理解工具但是效率必然會低一點。畢竟輪子不是說造就造的。
所以看自己在能力和時間上的盈餘了。
話說沒人@vczh 嗎？
7樓：fledsu
很多CV的演算法其實還有有其侷限性的，不一定在你的應用場景中產生特別好的結果，因此需要了解一些原理才能做一些除錯和針對應用場景做一些改進，
8樓：法蘭克斯雪諾
基本的了解一下還是必須的，因為opencv的很多實現沒有考慮實際情況，真要變成商品級的東西肯定需要優化，你沒有乙個基本概念到時候挺麻煩的，當然我也不提倡學的多深入，計算機圖形學包羅永珍博大精深，乙個點延伸開去你能搞一輩子，所以我舉得應該是有乙個框架性的認識，然後找乙個點深入學習
9樓：
有。計算機視覺很多演算法給的引數差這麼一點點，出來的結果可能差之千里。為了了解這些引數是做什麼用的、發揮什麼作用以及什麼樣的情況該用什麼樣的引數，這些都需要去學習了解演算法。
10樓：野合菌
看你最終需求是什麼。
如果是常規日常影象處理，偶爾拿來作為編輯工具使用一下，我覺得只要基本了解一下演算法的功能然後拿來用就好了。比如說，你說的邊緣檢測濾鏡有好幾種，你至少得了解不同濾鏡的基本原理和優缺點。
當然，如果是想入影象處理大坑，那麼在數學層面系統的理解一些常用演算法絕對是必不可少的。除了幫助你理解這些工具外，還可以幫助你開啟腦洞，讓你的思維更加廣闊。再複雜的機器往往都是由許多簡單的零件堆疊而成的，一點一滴的基礎積累至關重要。
11樓：雞哥
這也是很多開發過程中要糾結的乙個問題，如果某乙個功能已經有現成的庫，究竟用不用好呢（；￣д￣）
這些還是要看需求吧。如果是自己實現，會對這個演算法更加了解，可維護性和可控性會提高，還沒什麼開源協議的限制和束縛，實現演算法過程中順便滿足好奇心，特別你如果是做某個領域的東西，就算不需要去碰底層，懂得底層的原理還是很重要的。但是自己實現這些細節的話學習和開發成本會比較大，可能在實際工作中擔負不起這樣的成本，像我這些學生倒是無所謂，反正時間不值錢（逃。
所以在你不太需要了解底層，且第三方庫的開源協議適合，可以跟專案比較好的契合，那就用吧
OpenCV影象處理 1 13 影象金字塔 上取樣與降取樣
曾經我也非常鄙夷那些踏入異性戀婚姻的基佬，覺得他們在向社會妥協，甚至我也不贊成形婚，覺得形婚也不過是一種隱忍，我欣賞那些敢於與這個世界的不公作鬥爭的人。後來我覺得，婚姻這種東西，本身就充斥著各種利益，有的人為了錢結婚，有的人為了孩子結婚，許多年前被傳作佳話的昭君出塞，不也是赤裸裸的利益鏈條下的犧牲品...
請問大家AI影象處理與傳統影象處理各自有何優劣？
從事深度學習研究兩年，談一談個人經歷及感受。傳統影象處理方法 特徵提取主要依賴人工設計的特徵提取器，需要有專業知識及複雜的調參過程，同時每個方法都是針對具體應用，泛化能力及魯棒性較差。傳統影象演算法能解決某些特定場景的 可人工定義 設計 理解的影象任務。特定場景效果好，但普遍泛化性弱，可解釋性更強，...
如何學習C 影象處理？
join 可以學C C primer這本書很好，可以幫助你理解程式設計的原理，岡薩雷斯的影象處理這本書，講的很詳細，如果要長期從事影象處理，還是要看的，這是原理，或者找些其他的講原理並有程式事例的書也可以。我覺得學會了C 再去學其他語言，就會很輕鬆。對於剛入門的人，可以先學學opencv，跟著程式跑...