1.计算机视觉的应用算法

计算机视觉有许多算法任务：图像分类，图片相似搜索。图像分割，关键点检测，目标检测，目标跟踪，视频分类，深度估计，人脸检测等。

这些算法，又有很多各种各样的网络结构，复杂又抽象，我们只知道把数据输入到模型，得到结果，这网络里面怎么处理的数据，处理的过程又是怎么样的，太抽象了。

因此我写这篇文章，是想尽可能把这样抽象过程，描述成小白都能理解的形式。

2.图像的特征与视频特征

再说算法，我们先谈一下，图像的特征和视频的特征，从这些算法任务中，不难看出，算法模型用到的数据，不外乎图片和视频。

所以首先我们要知道图像和视频在机器代码角度下，有哪些有价值的特征。

2.1 图像特征

在这里插入图片描述

比如我们大幂幂，我们人的视角，看到的，是五官，衣服，头发这类（宏观一点的），但在机器角度，看到的要更微观很多，微观到每一个像素点（学ps的就知道，做p图，其实是对每个像素块做处理，一张图片也又几千个不同颜色像素块组成）。算法处理图像的最小单位也就是像素块。

基于这样的像素块，机器看到是什么呢：

颜色：每个像素块都有自己的颜色
形状：基于相似颜色的像素块，可以区分不同的形状
纹理：有些像素块上还有条纹，类似于一块木地板

这三者，融合起来就是我们人视角看到的特征：
比如：皮肤的纹理，皮肤的颜色，皮肤形状（就是我们看到的杨幂的脸）

了解“风格迁移”算法的或许更能明白，这些特征的使用。

2.2 视频特征

视频特征，视频其实就是由连续帧的图片，按照时间顺序，组合成的。因此，视频特征里有图像的特征，

除此之外，视频特征还有位置和速度二个特征

3.算法通俗理解

接下来，我将用图像的特征和视频的特征来介绍，这些不同算法，在训练和预测过程，算法的网络是怎么处理的。

先介绍图像分类，图像分类是其他算法开发基础，理解了图像分类，就明白后续的计算机视觉算法如何处理的

3.1 图像分类

训练

图像分类，我们数据有图像和图像的label，我们将图像加入到模型，模型根据图像的特征（纹理、颜色、形状），这些特征通过模型组合形成更抽象的五官，模型记住了这个label类别下人的五官，知道了他长什么样了。

婴儿：父母告诉婴儿这个是爸爸，那个是妈妈，婴儿也是根据脸部的特征，五官记住了，这个人是爸爸。

预测

同样预测，我们向模型加入预测的图像，模型同理分解除图像的特征，再组合成更抽象的特征（五官），再与模型之前训练后记住的特征（五官）进行对比，判断。

3.2 目标检测

在这里插入图片描述

目标检测有点像图像分类
训练

我们数据，是经过标注后的数据，类似于上图这张，我们通过边框和label标注，让模型，只针对边框内的图像，做处理（这里就跟图像分类训练很像了），相当于做抠图，抠下来做图像分类训练。

预测

模型预测的时候，模型先对预测的图片按一定规则在图片上产生一系列的候选区域，如下图所示：
在这里插入图片描述
然后模型对每个框做，一个图像分类预测处理，来判断属于的类别，并给出一个类别阈值，找出类别为杨幂的阈值也高的图片，这里可能会出现多个框有重合，如下图所示：

这里就需要对这几个框做一个去重处理，就OK了。

3.3 语义分割

在这里插入图片描述
语义分割通俗来说就是有label标签的分割，对每个分割出的区域，都会告诉这个区域是什么类别。

计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentation）。我们在这里将它们同语义分割简单区分一下。

图像分割：图像分割将图像划分为若干组成区域，这类问题的方法通常利用图像中像素之间的相关性，也就是图像的颜色，形状，纹理之间的相关性，将同一类的事物。划分成一个区域。但这种预测不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。
实例分割：也叫同时检测并分割（simultaneous detection and segmentation），它研究如何识别图像中各个目标实例的像素级区域。与语义分割不同，实例分割不仅需要区分语义，还要区分不同的目标实例。例如，如果图像中有两条狗，则实例分割需要区分像素属于的两条狗中的哪一条。是不是就是目标检测+图像分割，再分下来就是：画框+图像分类+图像分割

至于分割出来不同区域的颜色，其实是指定的

到这里从图像分类，目标检测，图像分割是不是看起来像是一层一层算法叠加的。