计算机视觉的三部曲

　　计算机视觉目前已经被应用到多个领域，如无人驾驶、人脸识别、文字识别、智慧交通、VAAR、以图搜索、医学图像分析等等，是人工智能（AI）目前最火的领域之一。那计算机视觉是什么？完整链路是怎样的？有哪些技术点？本文将跟大家一起探讨。
　　计算机视觉（ComputerVision），就是用机器来模拟人的视觉获取和处理信息的能力。它主要研究的内容是通过对图片或视频的处理，以获得相应场景的三维信息，另外其研究很大程度上是针对图像的内容。
　　本文主要参考了商汤科技CEO徐立老师的分享，将计算机视觉分为三部分：成像、早期视觉和识别理解。本文也是围绕这三部分进行讨论。
　　一、成像（Image）
　　成像就是计算机看的能力，是计算机视觉的输入，相当于人的眼睛。影响计算机成像（看），主要有几个因素：光、物体不全、模糊。
　　当然计算机看到的东西可能不仅只是人眼看到的那样，甚至可以是人眼能力的延伸。
　　这个怎么说呢？后面将为会你解密。
　　1。1光
　　（1）光线不足
　　光线不足是常见的问题之一，特别是在晚上。
　　比如说以上左图可能是人眼看到的，但是通过对图像做增强或者其他算法的处理，就可以变成了像以上右图那样，能看清物体了。这就是我们前面说的，机器成像也可以是人眼能力的延伸。
　　（2）曝光过渡
　　曝光过渡也比较容易出现在晚上，为什么呢？比如说你所拍摄的物体被车灯或其他强灯光照射，就容易出现曝光。
　　曝光的话，也可以通过一些简单的算法处理，来还原图像的样子。
　　1。2物体不全
　　物体不全，主要表现有两方面原因：被拍物体部分被遮挡住了、只拍了被拍物体的一部分。
　　那出现这种场景的时候，我们机器需要怎么处理呢？可以尝试考虑的方向有两点：
　　机器能不能根据拍得清晰的那部分的特征，自动去补全被遮挡的部分呢。
　　机器能不能对被挡住的部分做一些特殊的标记，传送到下一层的时候，下一层就知道这个地方是异常的，需要特殊考虑。这样就可以避免挡住的部分给下一层的传达错误的信息。
　　1。3模糊
　　造成模糊的原因可能有几种：
　　运动模糊
　　对焦模糊
　　分辨率低（图片质量差）
　　待识别物体过小
　　雾霾、烟气等因素
　　那出现模糊的情况，计算机能做什么呢？
　　比如说拍照的时候，手一抖，就拍成了如下左图，是可以通过一些算法，恢复成如下右图的样子。
　　或者说雾霾很严重的时候，拍出来的照片如下左图，经过机器成像后，可以变成如下右图的样子，把图片还原成了没有雾霾的样子。
　　那是不是一定要还原成物体最真实的样子呢？也不见得，我们还可以做一些更加有情怀，更加有艺术感的处理。比如说把雾霾的图片，变成油画的样子，就相当于给我们戴上了墨镜，或者说戴上了3D眼睛去看电影。
　　所以，具体需要看成什么样，也是根据我们的最终目的调整的。
　　二、早期视觉（EarlyVision）
　　在徐立老师的定义里，早期视觉可以理解为视觉系统处理的中间结果，相当于我们人视觉感知系统的某一层。
　　就像我们的视觉感知系统那样，虽然我们不太容易直观的描述它做了什么处理，但它确实是有处理了一些信息，然后传给了大脑的其系统。早期视觉也是这样，充当一个中转站的角色。
　　早期视觉主要包括的内容有：图像分割、边缘检测、运动和深度估计等。
　　下面我们给大家介绍下图像分割和边缘检测（运动和深度估计不太懂就不在这瞎bb了，感兴趣的同学可以自行研究）。
　　2。1图像分割
　　图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。
　　比如说上图，根据颜色区分出了不同的模块，路是路，车是车，树是树。
　　图像分割经典方法有：边缘法和阈值法，但也可以用深度学习处理出很好的效果。
　　图像分割在图像处理中非常经典，也经常用到。比如说抠图，首先进行图像分割，取出我们目标部分，就可以把背景去掉了，最后还原。
　　还有表情包的合成：
　　2。2边缘检测
　　边缘检测的目的就是找到图像中亮度变化剧烈的像素点构成的集合，因此表现出来往往是事物的轮廓。
　　如果把图像分割比喻成油画的话，那边缘检测就是素描。
　　如果图像中边缘能够精确的测量和定位，那么，就意味着实际的物体能够被定位和测量，包括物体的面积、物体的直径、物体的形状等就能被测量。
　　以下4种情况会表现在图像中时通常可以形成一个边缘：
　　深度的不连续（物体处在不同的物平面上）；
　　表面方向的不连续（如正方体的不同的两个面）；
　　物体材料不同（这样会导致光的反射系数不同）；
　　场景中光照不同（如被树萌投向的地面）。
　　2。3小结
　　早期视觉目前还有很多问题，还是不能做到很精准，因此现在端到端的训练方法是个很好的解决方案，比如说我们用深度学习来做图像分割。
　　三、识别理解（Recognition）
　　识别理解相当于人的大脑对信息的处理，经过处理后并给出反馈结果。
　　比如说人脸识别：
　　我们输入一张人脸的图片，机器就与人脸数据库中人脸进行比对，然后机器就可以告诉你这个图片的人是谁。
　　就像我们的大脑，看到一个人，我们就会去回忆，之前有没有见过这个人，在哪里见过，他叫什么名字等等一些信息。
　　从这个例子中，我们可以看出，机器识别理解的两个重要因素：
　　（1）数据库（人的记忆）
　　只有你数据库的数据足够多，也就是说你见过足够多的人，再给你看一个人的时候，你才知道这个人是谁。
　　（1）标签（特征点）
　　你是根据什么辨识这个人的，他的肤色、发型、眼睛、鼻子、嘴巴等等，也就是说我们需要给这些数据打上足够多的标签，识别的时候，就可以拿这些标签特征进行对比了。
　　徐立说：只要把图片和这种标签定义得足够好，数据量足够大，数据够完善的话，它有非常大的可能在垂直领域上，能够超越现有人类的识别准确率。
　　小结：
　　其实我们现在缺的不是数据，想要数据很简单，装足够多的摄像头，没日没夜的拍，数据就够多了。但是这些数据意义不大，没有标签，或者说场景不够丰富，因此我们缺乏的是高质量的数据，高质量表现在标签足够丰富和完善。
　　此文章主要参考了徐立老师的演讲内容，感兴趣可以去看下，徐立老师讲得更加哲学和情怀。
　　附参考文章：
　　《商汤徐立：计算机视觉的完整链条，从成像到早期视觉再到识别理解》
　　《看AI产品经理如何介绍计算机视觉（基于实战经验和案例）》Jasmine
　　《从0开始搭建产品经理的AI知识框架：计算机视觉》蓝风GO
　　《边缘检测》Ronny
　　《闲聊图像分割这件事儿》言有三
　　《图像分割》古路