醫(yī)學圖像更多的三維重建(體繪制和面繪制)，分割，配準，識別等。視頻應該就是目標跟蹤，檢測之類的吧。技術上有交叉，也有區(qū)別，像三維重建就屬于圖形學的內(nèi)容，不完全屬于視覺的內(nèi)容
從事深度學習研究兩年，談一談個人經(jīng)歷及感受。
傳統(tǒng)圖像處理方法：特征提取主要依賴人工設計的特征提取器，需要有專業(yè)知識及復雜的調(diào)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(tǒng)圖像算法能解決某些特定場景的、可人工定義、設計、理解的圖像任務。特定場景效果好，但普遍泛化性弱，可解釋性更強，性能一般更好，但調(diào)參依賴專業(yè)知識和經(jīng)驗。目前在某些極端低算力場景、特定海量處理場景仍有一定應用價值。
深度學習方法：主要基于數(shù)據(jù)驅動進行特征提取，根據(jù)大量樣本的學習能夠得到深層的、數(shù)據(jù)集特定的特征表示，其對數(shù)據(jù)集的表達更高效和準確，所提取的抽象特征魯棒性更強，泛化能力更好，并且可以是端到端的。缺點是樣本集影響較大，算力要求較高。深度學習能夠解決更多高級的、語義級別的、只能抽象描述的圖像識別、檢測、風格、創(chuàng)造性的問題。優(yōu)點是效果優(yōu)異、泛化更好、可端到端訓練、無需復雜調(diào)參，仍處于蓬勃發(fā)展的時期；但算力、數(shù)據(jù)消耗大，可解釋性目前很弱。
綜上所述，深度學習方法逐漸成為主流，傳統(tǒng)方法依然有用武之地。
圖像處理(image processing)別稱ps，用計算機對圖像進行分析，以達到所需結果的技術。又稱影像處理。可以說是包括了PS。
圖像處理一般指數(shù)字圖像處理。數(shù)字圖像是指用工業(yè)相機、攝像機、掃描儀等設備經(jīng)過拍攝得到的一個大的二維數(shù)組，該數(shù)組的元素稱為像素，其值稱為灰度值。
圖像處理技術的一般包括圖像壓縮，增強和復原，匹配、描述和識別3個部分。 常見的系統(tǒng)有康耐視系統(tǒng)、圖智能系統(tǒng)等，目前是正在逐漸興起的技術。
搜狗智能圖像識別筆試是一項重要的測試，考察了參與者在圖像識別領域的理解和技能。圖像識別作為人工智能技術的一個重要應用領域，已經(jīng)在各種領域中得到廣泛應用，包括安防監(jiān)控、醫(yī)療影像分析、自動駕駛等。搜狗作為一家領先的互聯(lián)網(wǎng)公司，通過舉辦智能圖像識別筆試活動，旨在發(fā)現(xiàn)優(yōu)秀人才，推動行業(yè)技術進步。
搜狗智能圖像識別筆試的內(nèi)容涵蓋了圖像處理、深度學習、模式識別等領域的知識點。參與者需要解決一系列關于圖像識別的問題，同時還需要運用編程技能進行實踐操作。通過這些問題的設計，搜狗旨在考察參與者的理論基礎以及實際應用能力。
搜狗智能圖像識別筆試采用在線考試形式進行，參與者可以通過指定的平臺登錄并完成考試?？荚囘^程中會出現(xiàn)不同類型的題目，包括選擇題、填空題、編程題等，以全面評估參與者的能力。
一般來說，搜狗智能圖像識別筆試的時間限制較為緊湊，參與者需要在規(guī)定的時間內(nèi)完成所有題目?？荚嚨臅r間安排與內(nèi)容難度相匹配，旨在考察參與者的解題效率和應變能力。
參與搜狗智能圖像識別筆試需要具備一定的圖像識別和編程基礎知識，能夠靈活應用相關算法和技術解決實際問題。此外，參與者還需要具備良好的邏輯思維能力和團隊合作精神。
為了順利參加搜狗智能圖像識別筆試，參與者需要提前做好充分的準備工作。包括復習相關知識點、熟悉常用的編程工具和庫、進行實戰(zhàn)練習等。只有經(jīng)過充分準備，參與者才能在考試中發(fā)揮出最佳水平。
在備考過程中，建議參與者注重平衡理論知識和實踐能力的培養(yǎng)。除了熟練掌握圖像識別的基本原理和常用算法外，還需要通過實際操作鍛煉自己的編程能力。此外，多參與實戰(zhàn)練習和交流討論，可以幫助參與者發(fā)現(xiàn)問題、解決問題，不斷提升自己。
搜狗智能圖像識別筆試是一項具有挑戰(zhàn)性的測試，通過參加此項筆試，可以鍛煉自己在圖像識別領域的能力，發(fā)現(xiàn)自身的不足之處，不斷提升自己。希望廣大參與者能夠在備考過程中認真對待，全力以赴，取得優(yōu)異的成績。
隨著科技的不斷突破和發(fā)展，圖像處理技術正變得越來越重要和普遍。圖像處理不僅僅是一種技術，更是一項科學，涵蓋了數(shù)字圖像處理、計算機視覺、模式識別等領域，廣泛應用于醫(yī)學影像、無人駕駛、安防監(jiān)控、虛擬現(xiàn)實等眾多領域。
圖像處理前景廣闊，隨著人工智能、深度學習等技術的不斷改進和普及，圖像處理技術將會有更加深入的應用和發(fā)展。未來，我們可以期待圖像處理在醫(yī)學診斷、智能交通、智能家居等領域中扮演更為重要的角色。
隨著云計算、大數(shù)據(jù)、人工智能等技術的迅速普及和應用，圖像處理技術也在不斷地發(fā)展和完善。未來，圖像處理技術將會呈現(xiàn)以下幾個發(fā)展趨勢：
圖像處理技術在醫(yī)學影像診斷中有著重要的應用價值。通過圖像處理技術，醫(yī)生可以更準確地診斷疾病、制定治療方案，提高醫(yī)療診斷的準確性和效率。
未來，隨著人工智能和深度學習技術的發(fā)展，圖像處理技術在醫(yī)學領域的應用將會更加廣泛。例如，基于深度學習算法的醫(yī)學影像學習系統(tǒng)能夠幫助醫(yī)生自動識別和分析病灶，提高醫(yī)學影像診斷的精準度。
圖像處理技術作為一項重要的前沿技術，將在未來發(fā)展中發(fā)揮越來越重要的作用。隨著科技的不斷進步和創(chuàng)新，圖像處理技術將會在各個領域發(fā)揮重要作用，為社會發(fā)展和生活帶來更多便利和改善。
因此，投身于圖像處理技術的學習和研究，將會是一項具有廣闊前景和發(fā)展?jié)摿Φ氖聵I(yè)選擇。相信隨著科技的不斷創(chuàng)新和發(fā)展，圖像處理技術必將迎來更加美好的未來！
圖像處理芯片是當前計算機視覺和圖像處理領域非常重要的技術之一。它們的出現(xiàn)和發(fā)展使得圖像處理變得更加高效和精確，廣泛應用于人臉識別、圖像編輯、安防監(jiān)控等領域。本文將介紹圖像處理芯片的原理、優(yōu)勢以及應用場景。
圖像處理芯片是一種專門用于圖像處理任務的集成電路芯片。它通過集成豐富的圖像處理算法和高性能計算單元，能夠高效地進行圖像識別、圖像處理和圖像分析等任務。與傳統(tǒng)的通用處理器相比，圖像處理芯片具有更高的并行性和更低的能耗，能夠在較短的時間內(nèi)處理大規(guī)模的圖像數(shù)據(jù)。
圖像處理芯片通常包括以下幾個關鍵部分：
相比傳統(tǒng)的通用處理器，圖像處理芯片具有以下幾個明顯的優(yōu)勢：
圖像處理芯片在許多領域都有著廣泛的應用。以下是一些常見的應用場景：
隨著人工智能和物聯(lián)網(wǎng)技術的不斷發(fā)展，圖像處理芯片也在不斷演進和創(chuàng)新。以下是圖像處理芯片的一些發(fā)展趨勢：
總之，圖像處理芯片在計算機視覺和圖像處理領域發(fā)揮著重要的作用，其高性能、低能耗和高并行性使得圖像處理任務更加高效和精確。隨著技術的不斷發(fā)展，圖像處理芯片必將迎來更廣闊的應用前景。
1. 基礎類：《Digital Image Processing》（3rd Edition），2007
－介紹經(jīng)典算法
2. 前沿類：《Computer Vision: Algorithms and Applications》，2011
－介紹最新進展
3. 程序解讀類：《Digital Image Processing Using Matlab》（2nd Edition），2009
《Learning OpenCV: Computer Vision with the OpenCV Library》，2008
－編程指導
以上供參考！
------------------------------------------------------
抱歉，沒看題干，羅嗦了一堆！
推薦一篇二值化算法經(jīng)典的綜述性文獻：《Evaluation of Binarization Methods for Document Images》，現(xiàn)在的算法多數(shù)是在這篇文章中介紹的方法基礎上擴展的。
信號處理包括圖像處理的。信號處理是數(shù)學、計算機科學、信息和電氣工程的一個分支，涉及信號的分析、合成和修改，廣義地說，其中信號被定義為傳遞“關于某些現(xiàn)象的行為或屬性的信息”的函數(shù)， 如聲音、圖像和生物量。
信號處理可用于特征提取，如圖像理解和語音識別。 質量改進，如降噪、圖像增強和回聲消除。 (信源編碼)，包括音頻壓縮、圖像壓縮和視頻壓縮。
沒有數(shù)據(jù)集時，深度學習說，這事我干不了。試試SIFT等手工特征吧。
不考慮速度和算力成本時，手工特征說：深度學習帶帶我，我抱你大腿，能改善性能。別扔下我不管。要考慮時，手工特征說，深度學習就是高射炮，打蚊子不如電蚊拍，又快又準。2020年出了個新的局部描述子。
傳統(tǒng)圖像處理: 依賴手工特征(有理有據(jù)，可解釋。但天花板就是設計特征的人的思維？)深度學習： 依賴模型學到的特征。用算力 來突破工程師的腦力和想象力 (貧窮限制了我的想象力, 因為買不起GPU)。難解釋?！镜四X的機理現(xiàn)在也解釋不清啊，不也用了起碼上千年嗎】
傳統(tǒng) CV 技術：
* 基于特征 * 這些傳統(tǒng)方法包括：
特征描述子（如 SIFT 和 SURF）通常與傳統(tǒng)機器學習分類算法（SVM和KNN）結合使用，來解決 CV 問題。
傳統(tǒng)CV方法的優(yōu)點：
1.快, 2.不強求gpu 3.透明.
可以判斷解決方案能否在訓練環(huán)境外有效運轉。 CV 工程師了解其算法可以遷移至的問題，這樣一旦什么地方出錯，他們可以執(zhí)行調(diào)參，使算法能夠有效處理大量圖像。
深度學習有時會「過猶不及」，傳統(tǒng) CV 技術通常能夠更高效地解決問題，所用的代碼行數(shù)也比深度學習少。 SIFT，甚至簡單的色彩閾值和像素計數(shù)等算法，可對任意圖像執(zhí)行同樣的操作。 相反，深度神經(jīng)網(wǎng)絡學得的特征是特定于訓練數(shù)據(jù)的。
因此，SIFT 等算法通常用于圖像拼接/3D 網(wǎng)格重建等應用，這些應用不需要特定類別知識。 這些任務也可以通過訓練大型數(shù)據(jù)集來實現(xiàn)，但為一個封閉應用費這么大勁并不實際。
ref: 機器之心：傳統(tǒng)計算機視覺技術落伍了嗎？不，它們是深度學習的「新動能」
某論文：
將 乘積累加運算 減少到深度學習方法的 130-1000 分之一，幀率相比深度學習方法有 10 倍提升。此外，混合方法使用的內(nèi)存帶寬僅為深度學習方法的一半，消耗的 CPU 資源也少得多。
過去4年內(nèi)的論文有做:
2. Editorial Image Retrieval Using Handcrafted and CNN Features
In this work, we present a combined feature representation based on handcrafted and deep approaches, to categorize editorial images into six classes (athletics, football, indoor, outdoor, portrait, ski).
3. Using CNN With Handcrafted Features for Prostate Cancer Classification
Our model combines both convolutional neural network (CNN) extracted features and handcrafted features. In our model, the input data is sent into two subnets. One is a modified ResNet with an improved spatial transformer (ST) for high dimension feature extraction. The other subnet extracts three handcrafted features and processes them with a simple CNN. After those two subnets, the output features of the two subnets are concatenated and then sent into the final classifier for prostate cancer classification. Experimental results show that our model achieves an accuracy of 0.947, which is better than other state-of-the-art methods
4. Feature Engineering Meets Deep Learning: A Case Study on Table Detection in Documents
…… As a side effect, decades of research into hand-crafted features is considered outdated. In this paper, we present an approach for table detection in which we leverage a deep learning based table detection model with hand-crafted features from a classical table detection method. We demonstrate that by using a suitable encoding of hand-crafted features, the deep learning model(DL為主 手工特征為輔) is able to perform better at the detection task. comparable with the state-of-the-art deep learning methods without the need of extensive hyper-parameter tuning
5. Object detection on deformable surfaces using local feature sets， 2017
randomly oriented objects in pick-and-place systems. Feature matching algorithms such as SIFT, SURF etc. usually fail when there are multiple instances of same object and object shape deformation problems in the scene. we present an approach which uses SURF feature sets consisting of local neighbor features for matching and hierarchical clustering for estimating object center. Using extracted local neighbor features and their descriptors, our algorithm finds more number of true-positive matches among features and improves the detection in the case of deformation and multiple instances.
6. Engineering Hand-designed and Deeply-learned features for person Re-identification
ref: 修改OpenCV一行代碼，提升14%圖像匹配效果_OpenCV中文網(wǎng)-CSDN博客ref: 圖像局部特征點檢測算法綜述 - ☆Ronny丶 - 博客園
（個人抒發(fā)千古騷情時間）
手工特征是具體的，固定的，可描述的。深度學習的特征，尤其是深層網(wǎng)絡的特征，是抽象的，semantic的，人類難描述的。但人類自己如何分辨貓和狗，有時也難用語言描述。
如果把手工特征比喻成常量，深度特征就是變量。手工特征，如角點，是深度特征的子集。
大道無形，“水無形而有萬形，水無物能容萬物”。
唯有不囿于“形”，方能窺見“神”。
人類無法理解與解釋的特征，可能機器容易理解與解釋。畢竟人眼看山還是山，但機器看山不是山，看水不是水，看到的是RGB, HSV, Lab，是pattern，是高斯分布。
一、基本步驟
1、圖像預處理，包括高斯濾波，圖像去噪，圖像增強等
2、圖像分割
3、孔洞填充
4、連通域標記
5、特征提取
6、結果輸出
二、圖像的預處理
為了方便計算，系統(tǒng)通常將獲取的圖片灰度化。將彩色圖像轉化成為灰度圖像的過程就稱為圖像的灰度化處理。彩色圖像中R、G、B三個分量的值決定了具體的像素點。一個像素點可以有上千萬種顏色。而灰度圖像是一種彩色圖像，但是它的特點在于R、G、B三個分量具體的值是一致的。灰度圖中每個像素點的變化區(qū)間是0到255，由于方便計算，所以在實際工程處理中會先將各種格式的圖像轉變成灰度圖像。在保留圖像輪廓和特征的基礎上，灰度圖仍然能夠反映整幅圖像輪廓和紋理。在Opencv里面有實現(xiàn)圖像灰度化的接口。調(diào)用OpenCV中的cvSmooth函數(shù)進行中值濾波處理，以去除細小毛刺。
三、圖像二值化
局部自適應二值化是針對灰度圖像中的每一個像素逐點進行閾值計算，它的閾值是由像素的鄰域內(nèi)的點的局部灰度特性和像素灰度值來確定的。局部閾值法是逐個計算圖像的每個像素灰度級，保存了圖像的細節(jié)信息，非均勻光照條件等情況雖然影響整個圖像的灰度分布，卻不影響局部的圖像性質，但也存在缺點和問題，相比全局閾值法來說，它的計算時間較長，但適用于多變的環(huán)境。
四、缺陷檢測六大基本方法
1. blob + 特征
2. blob + 特征+ 差分
3. 頻域 + 空間域
4. 光度立體法
5. 特征訓練（分類器，機器學習）
6. 測量
