學習計算機視覺前，要不要學習機器學習和影象處理？

1樓：哈哈哈

如果有影象處理的基礎知識，有利於設計出效能更優的演算法。例如：

深度學習+非區域性均值降噪，就得到了非區域性神經網路（Non-local Neural Networks）[1]。

非區域性神經網路

殘差網路+軟閾值化，就得到了更適合含噪資料的深度殘差收縮網路（Deep Residual Shrinkage Networks）[2]。

深度殘差收縮網路

2樓：Julian

第一章：概述

第二章：影象形成

第三章：影象處理

第四章：特徵檢測與匹配

第五章：分割

第六章：基於特徵的配準

第七章：由運動到結構

第八章：稠密運動估計

第九章：影象拼接

第十章：計算攝影學

其次就是在計算機視覺中會講到一些演算法多或少跟機器學習有關，比如PCA，SVM，深度學習，各種神經網路，強化學習等。

個人覺得在計算機學習計算機視覺之前，還可以稍微了解下一些優化演算法。

3樓：

都得學，基礎知識要廣泛，不要陷入偽科學了。

我寫了個系列文章，其中將視覺感知到的內容分為了這樣五個方面——目標、目標（和自身）在三維空間中的位置關係、目標的三維形狀及其改變、目標的位移、符號（？）。

tgis-top：【CV現狀-1】磨染的初心——計算機視覺的現狀：緣起

目標感知對應的任務是目標檢測、影象分類、語義分割

目標（和自身）在三維空間中的位置關係對應的是SLAM、SFM等

目標的三維形狀及其改變包含表情識別、姿態識別、手勢識別

目標的位移對應的是跟蹤

符號對應的是OCR

目前除了「目標（和自身）在三維空間中的位置關係」之外其他感知的解決方法的核心都是特徵提取+監督分類，聚類演算法也是很多演算法的基礎步驟

卷積神經網路本質是乙個監督分類演算法，機器效能提公升了粗暴的將影象直接當作特徵扔了進去而已。雖然特徵提取+監督分類不一定是視覺感知的最終解決方案，機器學習演算法還是很有必要學習的。

另外乙個方面影象處理的很多演算法是計算機視覺演算法的基礎，搞計算機視覺當然需要學習影象處理，但是機器作畫、手稿上色、風格遷移這些扯蛋的東西就算了，一句話——影象處理的深度學習演算法都是沒有價值的。

4樓：走在邊沿上

在2023年的今天，你說計算機視覺，那我就預設指的是用深度學習，更確切地說，用深度卷積神經網路為主要手段的計算機視覺了。已知深度卷積神經網路包含於神經網路包含於機器學習，所以學習機器學習是必要的，其重要性我覺得大致相當於"分得清油鹽醬醋"之於乙個廚師，"掉水裡不被淹死"之於乙個水手。

至於影象處理，這個範圍很廣。用PS修圖算是影象處理，用GAN做semantic segmentation也可以算是影象處理。個人認為，總的來說，計算機視覺需要的影象處理，是可以在學習研究計算機視覺的過程中學習的，而不是前提條件和預備知識。