1樓：大鵬諮道
工業檢測用的Hancon跟OpenCV一樣的常用到，我也是自學影象處理，深度學習沒經驗，做影象的選擇性就比較狹隘了，建議還是要學深度學習，一定要有相關專案支撐，不然工作很難找，或者放棄影象，不要說自己是做影象的，做一做C++軟體開發；另外本人有兩個影象處理的專案經驗卻依然找不到傳統影象處理的工作，果斷放棄影象，做C++開發了
2樓：DLing
肯定是有前景的，不管是機器（深度）學習的影象處理，還是傳統影象處理，只會一種的話，競爭力肯定都不會很強。深度學習加傳統影象處理，相互輔助，才能發揮更好的效果。
一般市面上的深度學習專案，只靠深度學習也是搞不定的，資料的預處理，前後處理需要傳統影象支援，各個模型之間的狀態連線需要傳統影象處理支援，有些使用深度學習有點浪費資源的功能塊，搞不好搞個傳統影象處理就搞定了，等等等等。即使是搞深度學習，還是需要一些傳統影象處理知識的。
當然還有一些應用場景，就適合用傳統影象處理來做，深度學習就不合適。比如：計算資源特別有限，但又要求一定實時性的場景；做精確2D或3D尺寸測量以及距離測量的場景；場景確定，功能單一，預算有限的一些場景；等等等等
DLing：有哪些深度學習效果不如傳統方法的經典案例？
所以我的想法是，要想在影象處理行業有競爭力，還是深度學習方法以及傳統方法相輔相成會比較合適。
3樓：dyth
我覺得傳統方法和深度學習並不衝突
拿人臉重建這一塊來說，如果單純使用卷積網路跑一下，雖然看起來效果還行，但基本上是紋理貼圖的效果不錯，把紋理去掉只看人臉幾何形狀的話，其實都和平均臉差不了多少。而且皺紋啊之類的深度細節限於模型根本沒辦法弄出來。
這時候如果可以結合一些傳統的sfx的方法，細節會好一些emm突然發現這嚴格來說好像不算影象處理方向？就不細說了
4樓：過兒
是用傳統還是用深度？這個問題感覺還是為了用而用。從問題驅動的角度，能解決問題的方法就是好方法，這是問題決定的，而不是方法決定的。
用傳統方法做乙個做了幾十年的影象處理老問題，那就真的不要怪別人說這方法沒前景。然而，如果是真的解決乙個新問題，能傳統方法那也不失為一條路數。
5樓：鳳舞九天
當然有前景了。
個人感覺傳統影象處理最關鍵的是對每個方向的深入理解。目前大多數深度學習工程師對影象原理並不是很精通，這樣短時間內問題不大，但是長期來看，一旦深入到具體問題，往往辦法不多，更多的就辦法就是加大網路結構，調整資料。當然，如果對傳統影象演算法也僅僅是會呼叫opencv 或者halcon 相關函式那也是不行的。
如果真是比較懂傳統影象演算法，這個時候再學一下深度學習相關演算法，這樣長期來看才比較有利。
個人認為未來人工智慧一定是靠系統整體來提供解決方案，，裡面可能包含AI演算法，也可能有傳統演算法，不單單是靠乙個模型解決所有問題～
6樓：雲時之間
傳統的數字影象處理和當今火熱的以深度學習為代表的計算機視覺不應該是對立的關係。
相反應該是你中有我，我中有你。
傳統的數字影象處理的效率之高不是深度學習能夠比擬的。
同樣的深度學習的泛化能力之強也是傳統的數字影象處理難以企及的。
最近在做一些關於計算視覺的專案，深深的發現，在以工程效率為導向的任務中，那種方法快，那種方法效率高才是考量的最佳標準，還記得自己剛學習深度學習，那會以為深度學習是萬能的，還和舍友打嘴仗，現在想想也是哈哈哈^_^
多學習一些傳統的數字處理技術對自己在這行走的更深，理解的更透還是很重要的，題主加油吧
7樓：廖康佳
肯定會被取代的，傳統影象處理能做的事情很有限。但是很多行業還會用傳統演算法的，並且我覺得會持續很久。這個接力過程是漫長的。
8樓：大陰陽師淺雪
淺雪：淺雪工作筆記（1.3）上
這裡提一下自己工作的時候做到過的專案。
雖然覺得儀表識別還是挺脫褲子放屁的，畢竟現在有好多數位化儀表。
但是，確實存在好多已有工廠因為種種原因無法進行公升級改造，但是有需要進行工業4.0相關的數位化公升級，這時候，影象採集作為一種萬金油的資料資訊介面，就會被廣泛使用。
不過現在這種較為低端的專案惡性競爭還是挺嚴重的，錢不好賺。
我自己的感覺就是，作為工程師，學會因地制宜最重要，各種技術只不過是工具而已。
而且，傳統演算法本來就是計算機視覺的一部分。 不要方，讀研嘛，更多還是靠自己。
題外：我沒說AI不重要，但是兩手抓，都要硬，而且AI講道理適合自學，只要你學校實驗室的經費夠批幾塊顯示卡下來（我們那個摳門實驗室都為了灌水搞了一堆1080ti），那你就有機會自己玩，傳統影象處理不像AI那邊有那麼多開源的東西和良好的社群氛圍，反而有人帶帶也挺好的。
9樓：任滿地青苔
計算機視覺盤子很大，傳統影象處理是乙個重要方向，也是計算機視覺的基礎，目前和將來在很多領域仍然會有用武之地。深度學習只是其中乙個分支，先理解基礎知識，才能理解深度學習。
10樓：李創
現代數學出來這麼多年了，大家為啥還要考高數？
傳統影象處理是基礎，計算機視覺是對基礎的強化，複雜化，基於先進工具的實用性的優化，基於算力平台的產品化。
11樓：張良懷
雖然我們崗位工作涉及大量深度學習相關工作。但我們招人面試的標準，都是先考察傳統影象處理基礎如何。如果傳統基礎紮實，會很加分。
但如果只做深度學習，基本會pass。除非對於深度學習底層理解很深。可深度學習問的深點也能只到梯度下降。可梯度下降實際上只是最優化理論裡面乙個非常基礎的一階優化方法。
在公司是以任務為導向的，拿到乙個任務你需要自己調研確定用什麼方法去實現，這就需要你對影象處理演算法有乙個大框架的認識，而不是只會冰山一角。
說實話深度學習是最容易入門的，遍地都是調參俠，傳統方法會的人，是真的稀缺。
12樓：Note Death
我覺得還是非常有前景的，目前本人也是影象處理行業，深度學習和傳統影象都涉及，趕緊都不可或缺，尤其涉及到落地專案。而且本身他倆直接很多原理是相通的
13樓：一路向前
你的跟我情況完全一樣。過來人的視角給你的建議是：做計算機視覺。
好好做計算機視覺，計算機視覺算是傳統影象的應用場景。好好做計算機視覺，不僅會對你畢業有幫助，而且對你的工作也很有益處。
你要清楚，知識學了不拿來用，就是浪費，何必糟蹋自己的時間。
14樓：
影象處理有很多種，像你本來是通訊專業，研究image processing 可能會偏向影象的訊號處理；有的計算機專業，可能會偏向於各種演算法；還有的根據老闆的專案來，可能會偏向於生物資訊科技。總之每個學科都有自己的研究方向，當然各個學科之間也會交叉，也必須交叉，但不可以說某乙個學科會被取代
15樓：
業內來答。座標濟南。我的組從年初開始想招兩個傳統影象處理的，到現在沒招到。
市場上根本沒有。連C++都招不到。基本上都是招來人現培訓。
學的好肯定有前景，關鍵是要學的好。
16樓：JimmyHua
傳統的影象處理是不會被埋沒的！
傳統有傳統的優勢，在一些影象處理上，我們不能動不動上深度學習，上GPU，這樣做很多時候是用牛刀殺雞，效率極其的低；
深度學習並不能面面俱到，所有都做得很好，深度學習結合傳統方法，有時能夠更好的解決問題。
17樓：steven Li
傳統影象處理的任務，我理解是影象增強，超解析度，影象去噪等。這些task上sota的演算法早就已經是深度學習的了。而且現在一些影象增強演算法，對資料集的要求也比較低了，都不需要pairwise的資料了。
傳統影象處理發揮作用的地方應該不多了。
18樓：kai liu
研究和應用前景有，但是不大，除非特定環境或者條件下，比如醫學影象的樣本太少，沒法高效學習。目前深度學習取代了傳統影象處理特徵提取，在擁有足夠算力和樣本情況下，特徵不需要再考慮了。
19樓：遊戲雷達訊號電路
這個問題不知道該如何回答，你所謂的傳統影象處理具體指什麼，要知道機器視覺的入門就是傳統影象處理的理論和方法，如果熟練掌握影象處理的基本知識，很多領域都會有應用
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，...
現在影象處理和模式識別前景如何？
納瓦霍奧爾挲狗 題主可能是說的是自動化系底下那個模式識別吧，要是計算機學院的可能不會考慮這個問題，現在的前景是，畢業進公司後，你會發現做演算法工程師的人許多以前都是做模式識別與影象處理的，但是由於當前影象識別的識別率只能在特定場景下保證，所以現在影象識別的應用價值還不大，要想商業化我覺得必須再突破相...
在影象處理領域，深度學習是否全面代替了傳統的非神經網路的影象識別方法？
開栓要冷藏 深度學習的方法並不是萬能的，比如在大家傳統認為的深度學習強項Direction，有時也會直接用色度圖的方式來實現，簡單快捷，準確率不會差太多。 深度學習讓好多非專業人士找到了識別，分割影象的辦法。但是不了解傳統的影象處理方法是不行的。你會發現基本上除了GPU加速，大部分都是以前的東西，煥...