2015-12-29 11:21:24 u013088062 阅读数 30649

  最近有人问我图像处理怎么研究,怎么入门,怎么应用,我竟一时语塞。仔细想想,自己也搞了两年图像方面的研究,做个两个创新项目,发过两篇论文,也算是有点心得,于是总结总结和大家分享,希望能对大家有所帮助。在写这篇教程之前我本想多弄点插图,让文章看起来花哨一点,后来我觉得没必要这样做,大家花时间沉下心来读读文字没什么不好,况且学术和技术本身也不是多么花哨的东西。

  一、图像处理的应用

  这个其实没什么好说的,一种技术的应用价值不是靠嘴上说,而是要看有多少人去搞,很简单的道理。其实我觉得判断一项技术有没有价值、有多大价值的最简单最有效的方法就是看有多少人在研究它。如果大家都在研究,那必然说明它很火,至少目前很火,以后的几年里依然还会火。因此,如果你不确定图像处理是不是有价值,那就查查全国图像处理工程师的数量就行了。

当然这里还是简单提一下。如果你真的只想问“图像处理有什么用?”,相信百度会给出比我更专业的答案。不过作为图像处理的行内人,我还是从几个基本的点来具体说一下。

  1、身份认证

  21世纪是刷脸的时代,这一点无可厚非。首先是银行,据说重庆的银行已经使用了人脸识别的验证系统来进行辅助的认证。其次是门禁系统,以前是指纹,虹膜,现在就是人脸。指纹、虹膜的识别虽然准确,但是有侵犯性,采集的过程中有侵犯性,验证的过程中也有侵犯性,反正让谁天天录指纹(采集指纹信息),用眼睛瞪摄像头(采集虹膜信息),谁都会觉得不舒服的,况且手还会脱皮。相比之下,人脸的识别就方便多了,拍张照片(采集人脸信息)谁都不会介意。最后是监控,一个摄像头所拍的监控能从不同的角度记录成百上千的人(比如车站等密集场所的监控),让警察去辨认将是一个浩大的工程,要是系统能够自动判别人员信息,无疑会给办案带来极大方便。

  2、监控安防

  安防监控可以说是图像处理领域最有潜力的应用领域。如今各个城市都在疯狂的安装监控摄像头,全国时刻都有无数的摄像头在录监控,但是安防监控的后端处理却没跟上。什么是后端处理,简单的说就是监控录像的视频处理。注意这里的视频处理可就不止包含人脸识别了,还有行人检测、异常检测、显著性检测、协同跟踪等。人脸识别之前说了,这里简单说说行人异常检测。图像处理中的行人异常检测在外行人眼中是一个非常有魔力的东西。毕竟让摄像头通过监控视频就能判断出当前画面中谁是好人谁是坏人(当然直接分为好人和坏人还是太武断了),在一般思维中貌似是不可能的。但是请不要忽略这样一个事实,就是目前大部分监控视频的分析处理都是由人工来完成的,警察破案时经常动不动就调出最近几天的监控视频,然后从头看到尾,其工程量之大可想而知。也正是这样才催生了人们对智能监控方面的研究,因为有这方面的实际需求。当然我们的视频分析程序不会直接给出诸如“好人or坏人”这样的武断而片面的判断结果。就当前的技术水平而言,能够统计当下监控画面中的人数(行人检测)、定位他们的人脸(人脸检测)、识别他们的身份(人脸识别)、判别他们的表情(表情识别)、检测他们的动作(异常检测),这就已经够了。这样以后人们就不会再面对长达几十甚至上百个小时的监控视频发呆,而是直接分析计算机给出的数据,当前画面中有多少人、都是谁、谁的动作可疑等。总之,接下来智能监控发展会很迅速,因为需求很迫切。

  3、深度学习(Deep Learning)

  通俗的说一句,“图像处理是深度学习应用的天堂”。深度学习这个概念可能有人不太熟悉,大家可以自行百度,我这里给出一个相对通俗的解释:“如果你不知道什么叫深度学习,就想想《终结者》中的T-800”。当然这句话不是我说的,是出自业界的一位大牛之口。当然这可能有点小片面,不过深度学习确实是公认的新一代人工智能的基础。

  这里举两个例子。一是谷歌的人工大脑项目。谷歌公司可以说是深度学习方面的牵头企业了,其在2012年公布的谷歌大脑项目,动用了1.6万个计算节点,训练数周,得到的人工智能模型能够自主识别猫脸图像,为新一代人工智能开辟了道路,之后微软深度学习研究院、百度深度学习研究院等机构都开始大量投入,各个高校也搞得风声水起,原因很简单,大家都知道它会火。

  第二就是图像识别方面的竞赛。最有权威的就是ImageNet竞赛。大家在一个拥有上千万张,上千类别的图像数据库上训练和测试自己的算法,比拼识别率。近几年来,摘得桂冠的一直都是深度学习模型,确切的说是卷积神经网络。更多有关ImageNet历年的竞赛信息大家可以自行百度。

  说道深度学习在图像处理的应用,不得不提中国的汤晓鸥教授,说他是国内深度学习的领头羊也不为过。他提出的DeepID人脸识别算法(一共分为三代),在一些大规模人脸数据库上的正确率(若LFW库)已经达到了99.75%,单纯从数字上讲的话可以说已经超越了人类的识别率,为此汤教授还开办了公司,开发FaceSDK(虽然还没有公布)。不过拿计算机和人脑相比本身就是不合理的,各有所长嘛。不过可见DeepLearning在图像识别领域的强大威力。至于深度学习与图像处理的关系这里就不用多说了,谷歌大脑识别的是图像,深度学习竞赛用的是图像,DeepID识别的还是图像人脸,虽然深度学习在其他方面诸如语音识别等也有应用,在图像处理依然是其主要的应用领域。

  二、图像处理研究工具

  图像处理的研究分为算法研究和应用两个部分。用到的主要编程语言有Matlab、C/C++、Python等,原因很简单,它们都有很多相应的第三方库,不用我们从零开始编程。

  1、Matlab

  MathWork公司的Matlab软件可以说是算法研究的利器,它的强大之处在于其方便快捷的矩阵运算能力和图形仿真能力,单从简洁性和封装性来说,确实完爆其他语言。但高度封装必然会相应的损失一部分灵活性,况且Matlab严格的讲更像是一个工具,而非一门编程语言。顺便提一句,它在2015年编程语言排行榜中位于第20名,仅次于IOS开发的Objective-C。

  对于算法研究人员(尤其是高校的硕士博士),首选工具自然是matlab,因为它简便快捷,封装性好,更重要的是全世界几乎所有的算法大牛、精英教授都会首先公布对应的Matlab源码,然后在逐步改写成其他语言进行实际应用。所以,如果你想做图像处理方面的研究,Matlab是必须掌握的,而且是熟练掌握。当你有一些想法需要验证时,最好明智的先用matlab编写出来测试。如果你上来就用看似高大上的C++来实验,不仅错误BUG一大堆,到头来可能效果还不佳,就算效果好,时间也会耽搁不少,毕竟算法开发还是要快的,这样才能赶在别人之前发论文。总之,只要是接触图像算法,终究逃不过Matlab,就算你是软件开发的,不研发算法,但总得能看懂别人的Matlab算法吧。

  对于之前没怎么接触过Matlab与图像处理的人,在这里推荐一本相关的书籍《MATLAB图像处理实例详解(附光盘)》。这本书对于Matlab图像处理入门还是很有帮助的。记得我当时刚上研究生时就靠两本书入门的,一是冈萨雷斯的《数字图像处理》,二是这本《MATLAB图像处理实例详解》。不过这里友情提示,在看这类教程(不仅仅是Matlab)时千万不要试图去记忆所有的工具函数,这种做法是十分愚蠢的。正确的做法是根据自己的情况快速翻阅这类工具书,可以找出里面的有实际意义的源码来敲一敲练练手感,至于具体的工具函数,只需要知道Matlab提供了这方面的功能就行了,以后用到了再回来查,或者谷歌百度。我觉得在入门阶段,最重要的不是看了多少书,听了多少课,而是尽快自己敲出一段代码,运行出结果,来建立自信和成就感,这才是支持我们走下去的最实在的动力。记得我当时看了没多久就自己敲了一个蹩脚的车牌检测的Matlab程序,现在看来真是漏洞百出,不过当时我真的很兴奋,很有成就感,觉得自己能干这行,对于初学者来说,这种感受弥足珍贵。

  2、OpenCv

  Opencv是Intel公司开发的C++图像处理工具包,形象的理解为就是C++版的Matlab。当初Intel公司开发这个工具包的初衷也是方便大家共享,希望大家能够在一个共同架构的基础上共同建造摩天大楼,而不是各自在自己的地基上盖平房。与Matlab不同,Opencv是面向开发的,稳定性好,异常处理机制周全,但有一点需要注意,由于Opencv是开源的,那么如果你在项目中直接调用了它的API,那就意味着你的项目也必须开源。因此在真正的产品开发过程中,往往需要从Opencv库里面挖代码,而不是直接调用,幸好Intel公司允许我们看源码,自己编译一把就可以了。

  说道C++和Opencv,有一个问题不得不提,那就是深度学习领域大名鼎鼎的Caffe框架。这是一个典型的基于C++和OpenCv的深度学习框架,由谷歌深度学习团队、“谷歌大脑”负责人之一贾扬清学者编写,并公布了源码。如今各个深度学习机构都在大量使用这个框架进行研究。

  这里同样对推荐两本关于Opencv方面的教程。一本是CSDN博客大牛毛星云写的《OpenCV3编程入门》,这是它根据自己多年的博客整理成的书,很详细,很典型的一本教程,介绍了OpenCv中相对前沿的知识。我翻看过这本教程,中规中矩,里面的代码通俗易懂,尤其适合初学者。当然大家同样要注意不要犯了死读书的毛病,只看它的功能,敲代码练手感即可,不要试图记忆API函数。重要的工具用多了自然会记住,不重要的工具记住了也没用。

  这里推荐的第二本书是《图像识别与项目实践――VC++、MATLAB技术实现》,这本书是一本偏向于工程应用的书,我之所以推荐它是因为它给出了很多有新意、能运行的代码。其中里面有一个项目让我印象很深,是一个车牌检测的实例。简单描述一下:由于车牌中的字符数是固定的,因此它通过判断横向区域笔画的跳变数以及笔画宽度来定位车牌区域。这个想法让人耳目一新,并且它还给出了详细代码,我也亲身试验过,效果还不错。

  这里同样再强调一下,就是一定要尽早入手写程序,建立自信和成就感。我当时学OpenCv正好用它开发了一个人脸性别识别的系统,是一个本科大学生创新计划的需求,效果还可以。

  3、Python

  Python在今年12月份的编程语言排行榜中名列第5,增长迅速。可以说Python已经逐渐成为当下脚本语言的新标准。Python在图像处理算法方面除了其自身简洁的编程优势外,还得益于两个重要的Python类库——Numpy和Theano。

  Numpy是Python的线性代数库,对于矩阵运算能提供很好的支持,并且能够在此基础上进行很多机器学习相关算法的开发仿真,这里推荐一本受到大家广泛认可的书《机器学习实战》,我最近也正在看这本书,里面对好多机器学习领域的经典算法,小到KNN,大到SVM,都给出了详细的介绍以及代码实现(Python版)。Theano是Python的机器学习库,能够方便的实现深度学习(例如卷积神经网络CNN)算法,网上很多对于DeepID算法的复现都是用的这个库。

  人觉得单从图像处理的角度评价的话,Python并没有前面两个工具(Matlab和OpenCv)应用广泛,不过作为通用的脚本语言,我觉得每个程序员都应该去了解了解它,毕竟俗话说没有烂的编程语言,只有烂程序员。我在学Python时第一个自己写的程序就是微信打飞机的小程序,在我的博客中有详细的教程,虽然是参照小甲鱼的《零基础入门学习Python》视频教程写的,但还是蛮有成就感的。

  三、图像处理研究方法

  我觉得,图像处理研究主要可以分为三个部分:基础概念、基本思想、算法研究。

  1、基础概念

  所谓基础概念,就是图像处理里最基本的知识,比如什么是图像?什么是像素?什么是彩色图像等等。没有一个明确的界限来划定什么是基础概念什么是高级知识,因人而异。了解图像处理的基础知识,有一本书是必读的,就是冈萨雷斯编写的、阮秋琦翻译的《数字图像处理》。这本书已经作为图像处理领域的经典教材使用了三十多年,我自己也把这本书看了好几遍,每一遍都会有新的体会。我觉得每一个搞图像的都应该熟读这本书。书中除了有几章内容在讲小波变换、模式识别等相对抽象的内容外,其他内容相对都是很基础的,本科生水平就能看懂。而且我建议要尽早看这本书,如果是研究生尽量在进入课题之前就看一遍,因为这样一本经典的书在进入课题之后可能就没时间看了,以后也顶多是查阅而已。我当初就是在大四的寒假看完了这本书,以后在图像入门的过程中就显得轻松很多。看完这本书,哪怕是只看前几章,明白了什么是图像(二维或者三维矩阵)、什么是像素、彩色图和灰度图、颜色空间、图像滤波、图像噪声、图像频域变换等概念,将来在进行更深一步的研究的话就会方便很多了。

  2、基本思想

  刚开始想把这部分内容命名为“基本算法”,意在介绍图像处理中的一些基本算法,后来仔细想想决定不这么写,因为图像处理是一个非常大的概念,图像处理不等于人脸识别,也不等于模式识别,直接介绍诸如图像处理基本算法之类的内容很容易写成空话,没有什么实际意义。读者有兴趣的话可以直接谷歌百度“图像处理十大经典算法”,上面有我想说的内容。

  万变不离其宗,算法是死的,重在思想。举个例子,我个人是主攻模式识别方向,在这个方向判断一个学生是否入门有一个非常简单的方法,就是“如果你能把图像很自然的想象成高维空间中的一个点”,那就说明在模式识别方面入门了,可以对图像进行分类了。当然标准不是唯一,在其他领域如目标检测也会有其他的判断标准,总之我们要对图像进行处理,那么图像就不再只是图像,它可能会演变成各种不同形式的概念,可能是点,可能是面,还可能是一个坐标空间。在目标跟踪的经典算法粒子滤波中,将一个个的小图像块看做一个个粒子;在子空间理论中,将一系列图像放在一起构建一个成分主空间(例如主成分分析PCA算法等等。,我不会详细介绍这些算法,说多了就显得抽象老套,但我要说的是我们一定要把图像本身理解好,它是一个图像,是一个矩阵,是一个信息的容器,是一种数据的表现形式,图像不一定都必须在视觉上有意义(比如频域的图像)。

  总之图像处理的基本思想还是要立足于图像本身,要深度到图像内部结构中,思维要灵活。我当时做本科毕设时,怎么也不知道图像和高维空间中的点之间有什么对应关系,后来总算有一天,突然就明白了,这也就是所谓的量变产生质变。总之一定要多想,多总结,主动去钻研,才能够真正领悟一些东西。最基本的东西往往蕴藏着深奥的道理,无论你现在多牛多厉害,都不能放掉最本源的东西。多想想图像是什么,有什么本质属性,你可能无法得到准确的答案,但肯定能得到一些有用的感悟(有点像哲学问题了)。

  3、算法研究

  算法研究应该是图像处理的核心工作,尤其是各大高校的博士硕士。这里我并不想谈那些高大上的算法,我更想说的是一些算法研究的一些基础的东西,比如说一些基础课程,比如说矩阵运算。

  研究图像处理的算法,离不开数学。在这里我建议图像处理方面的硕士一定要上两门课:《泛函分析》以及《最优化算法》,有的学校已经将这两门课列为了研究生阶段的必修课程。这两门可可以说是图像处理(至少是模式识别)的基础。我当初没上过最优化算法,但后来也自己补上了,不然真的是寸步难行。至于泛函我当时听课的时候也不是很懂,但是在之后的研究过程中发现很多图像处理的基本知识基本理论都和泛函分析中枯燥的定理如出一辙,没办法,有的东西本身就是枯燥的干货,学着费力,缺它不行。

  其次我想说的是矩阵运算。图像就是矩阵,图像处理就是矩阵运算。大家为什么都喜欢用Matlab,就是因为它的矩阵运算能力实在是太强大,在Matlab的世界中任何变量都是矩阵。同样OpenCv之所以能流行,不仅仅是因为它良好的封装性,也是因为它的矩阵格式,它定义了Mat基础类,允许你对矩阵进行各种操作。Python也不例外,它的Numpy就是一个专门的线性代数库。

  真正在图像编程过程中,那些看着高大上的API函数归根到底都是工具,查查手册就能找到,真正核心还是在算法,算法是由公式编写的,公式的单元是变量,而图像届的变量就是矩阵。所以,熟练去操作矩阵,求秩、求逆、最小二乘,求协方差,都是家常便饭。所以,如果你有幸能上《矩阵分析》这门课,一定要把它看懂,那里面都是干货。

  四、小结

  总之,图像处理就是一个典型的门槛低、厅堂深的领域。不需要太多基础,学过线性代数,会一点编程就够了;但是那些算法却深不可测,是个消耗功夫的活儿。在写这篇教程时我说的很直白,就像和大家对话一样,想到什么说什么。在最后我想说两句题外话,就是不仅仅针对图像处理,对于其他新技术的入门学习也是一样,尽快迈出第一步,尽快去建立自信和成就感,让自己有勇气走下去,然后缺什么补什么就行了。我觉得真正让人望而却步的往往不是技术本身,而是我们对自身的不自信。唯有果断开工,才能战胜心魔。


如果觉得这篇文章对您有所启发,欢迎关注我的公众号,我会尽可能积极和大家交流,谢谢。


2019-05-15 19:30:03 weixin_43398682 阅读数 63

**

图像处理笔记一

**
利用matlab来学习图像处理的内容。参考的学习视频,这个视频的教程很基础,适合入门。
https://www.bilibili.com/video/av14319808/?p=3
通过视频学习,自己了解到的知识有:
**(1)**图像处理是一门综合性的学科,实际应用在很多方面,例如遥感卫星、医学、交通方面等等,也需要将图像处理与这些专业知识结合。
(2可以图像进行的操作有:图像复原、图像增强、图像分割、图像分析、图像重建、图像压缩、图像识别等。这门课程中学习到的图像识别只是基础的识别,还有专门进行更进一步的图像识别的技术----模式识别技术
(3)要分清一些概念,像素、像素值。
(4)要知道数字图像在计算机中是以矩阵形式存储的,每个像素点的值代表该点的灰度值。像素值越大,图像越亮。
(5)要知道图片的存储格式,在计算机中,图片分为四类:二值图像、灰度图像、伪彩色图像,真彩图像。
(6)二值图像:每个像素值占一位,0和1.只表示黑和白。他的图像矩阵是每个像素点的值代表他的灰度值。
(7)灰度图像和伪彩色图像,每个像素值占8位,他的像素值代表的不是该点的灰度值,而是图像颜色表的索引值。灰度图像和伪彩色图像表现出来的颜色不同,是因为什么呢?是因为灰度图像的颜色表中代表红、绿、蓝的各分量值相等。伪彩色图像中不全相等。所以呈现了不同的视觉效果。
(8)真彩图像:一个像素值由R,G,B三个分量组成,每个分量占了8位,一个像素值占了24位。真彩图像由三个矩阵,RGB的三个分量分别表示的三个矩阵,其他

2017-04-04 17:53:20 houguofei123 阅读数 2903

图像处理研究初学者在看外文文献时,会遇到很多专业术语,为方便理解和学习,现将部分常用图像处理专业术语整理如下:


  • 基本术语
    digital image:数字图像
    digital image processing:数字图像处理
    image digitalization:图像数字化
    image representation:图像表达
    image acquisition:图像的获取
    pixel:像素
    image classification:图像分类
    image transformation:图像变换
    image enhancement:图像增强
    image restoration:图像复原
    image reconstruction:图像重构
    image segmentation:图像分割
    implementation:实现

  • 图像运算
    point operation:点运算
    linear point operation:线性点运算
    non-linear point operation:非线性点运算
    algebra operation:代数运算
    logical operation:逻辑运算
    geometric operation:几何运算
    image translation:图像的平移
    image mirror:图像的镜像
    image rotation:图像的旋转
    image zoom:图像的缩放
    gray resampling:灰度重采样

  • 图像变换
    continuous fourier transform:连续傅里叶变换
    discrete fourier transform:离散傅里叶变换
    fast fourier transform:快速傅里叶变换
    discrete cosine transform:离散余弦变换
    spatial transformation:空间变换

  • 图像增强
    spatial domain:空间域
    frequency domain:频域
    homomorphic filter:同态滤波器

  • 图像复原
    image degradation:图像退化
    noise model:噪声模型
    mean filter:均值滤波器
    order-statistic filter:顺序统计滤波器
    estimation of noise parameter:噪声参数估计
    inverse filter:逆滤波
    minimum meansquare error filter-Wiener filter:最小均方误差滤波-维纳滤波
    geometric distortion correction:几何失真校正

  • 图像压缩编码
    information content:信息量
    information entropy:信息熵
    image data redundancy:图像数据冗余
    fidelity criteria:保真度准则
    coding of lossless image compression:无失真图像
    Huffman coding:哈夫曼编码
    run-length coding:游程编码
    arithmetic coding:算术编码
    lossy image:失真图像
    rate distortion function:率失真函数
    prediction coding:预测编码
    transform coding:变换编码
    vector quantification coding:矢量量化编码
    subband coding:子带编码
    model-based coding:模型基编码
    fractal coding:分形编码

  • 图像分割
    edge detection:边缘检测
    edge connection:边缘连接
    image segmentation using threshold:阈值分割
    global threshold:全局阈值
    adaptive threshold:自适应阈值
    watershed Algorithm:分水岭算法
    region segmentation:区域分割
    region splitting and merging:区域分裂与合并
    binary image processing:二值图像处理
    mathematical morphology image processing:数学形态学图像处理
    open operation and close operation:开运算和闭运算

  • 图像表示与描述
    color feature:颜色特征
    intensity feature:灰度特征
    histogram feature:zhifangtu tezheng
    color moments:颜色矩
    representation of image texture:纹理特征
    autocorrelation function:自相关函数
    statistics of intensity difference:灰度差分统计
    gray-level co-occurrence matrix:灰度共生矩阵
    spectrum feature:频谱特征
    boundary feature:边界特征
    boundary representation:边界表达
    region feature:区域特征
    topological description:拓扑描述
    shape description:形状描述
    moment:矩
    principal components:主成成分
    feature extraction:特征提取
    moving object:运动目标

2015-12-18 16:03:39 A09211008 阅读数 4677

最近版上有不少人在讨论图像处理的就业方向,似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。

就我看来,个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更高维的信号,从这个意义上来说,图像处理是整个信号处理里面就业形势最好的,因为你不仅要掌握(一维)信号处理的基本知识,也要掌握图像处理(二维或者高维信号处理)的知识。其次,图像处理是计算机视觉和视频处理的基础,掌握好了图像处理的基本知识,就业时就可以向这些方向发展。目前的模式识别,大部分也都是图像模式识别。在实际应用场合,采集的信息很多都是图像信息,比如指纹、条码、人脸、虹膜、车辆等等。说到应用场合,千万不能忘了医学图像这一块,如果有医学图像处理的背景,去一些医疗器械公司或者医疗软件公司也是不错的选择。图像处理对编程的要求比较高,如果编程很厉害,当然就业也多了一个选择方向,并不一定要局限在图像方向。

下面谈谈我所知道的一些公司信息,不全,仅仅是我所了解到的或者我所感兴趣的,实际远远不止这么多。

搜索方向

基于内容的图像或视频搜索是很多搜索公司研究的热点。要想进入这个领域,必须有很强的编程能力,很好的图像处理和模式识别的背景。要求高待遇自然就不错,目前这方面的代表公司有微软、google、yahoo和百度,个个鼎鼎大名。

医学图像方向

目前在医疗器械方向主要是几个大企业在竞争,来头都不小,其中包括Simens、GE、飞利浦和柯达,主要生产CT和MRI等医疗器材。由于医疗器械的主要功能是成像,必然涉及到对图像的处理,做图像处理的很有机会进入这些公司。它们在国内都设有研发中心,simens的在上海和深圳,GE和柯达都在上海,飞利浦的在沈阳。由于医疗市场是一个没有完全开发的市场,而一套医疗设备的价格是非常昂贵的,所以在这些地方的待遇都还可以,前景也看好。国内也有一些这样的企业比如深圳安科和迈瑞
计算机视觉和模式识别方向
我没去调研过有哪些公司在做,但肯定不少,比如指纹识别、人脸识别、虹膜识别。还有一个很大的方向是车牌识别,这个我倒是知道有一个公司高德威智能交通似乎做的很不错的样子。目前视频监控是一个热点问题,做跟踪和识别的可以在这个方向找到一席之地。
上海法视特位于上海张江高科技园区,在视觉和识别方面做的不错。北京的我也知道两个公司:大恒和凌云,都是以图像作为研发的主体。

视频方向

一般的高校或者研究所侧重在标准的制定和修改以及技术创新方面,而公司则侧重在编码解码的硬件实现方面。一般这些公司要求是熟悉或者精通MPEG、H.264或者AVS,选择了这个方向,只要做的还不错,基本就不愁饭碗。由于这不是我所感兴趣的方向,所以这方面的公司的信息我没有收集,但平常在各个bbs或者各种招聘网站经常看到。

我所知道的两个公司:诺基亚和pixelworks

其他

其实一般来说,只要涉及到成像或者图像的基本都要图像处理方面的人。比方说一个成像设备,在输出图像之前需要对原始图像进行增强或者去噪处理,存储时需要对图像进行压缩,成像之后需要对图像内容进行自动分析,这些内容都是图像处理的范畴。

一些与图像有关或者招聘时明确说明需要图像处理方面人才的公司:

上海豪威集成电路有限公司(www.ovt.com.cn)

中芯微

摩托罗拉上海研究院

威盛(VIA)

松下

索尼

清华同方

三星

所有与图像(静止或者运动图像)有关的公司都是一种选择。比如数码相机、显微镜成像、超声成像、工业机器人控制、显示器、电视、遥感等等,都可以作为求职方向。

要求:

1、外语。如果进外企,外语的重要性不言而喻。一般外企的第一轮面试都是英语口语面试。
2、编程。这方面尤以C++为重,很多公司的笔试都是考c++知识。
3、专业水平。如果要找专业相关的工作,研究生期间的研究经历和发表的论文就显的比较重要。
4、知识面的宽度。我觉得在研究生期间,除了做好自己的研究方向之外,扩宽一下知识面也有很大的帮助,当然这个知识面指的是图像处理、计算机视觉和模式识别,知识面越宽,就业时的选择就会越多。
图像处理方向毕业的就业面非常广,而且待遇在应届生应该是中上等。其实还是一句话,能力决定一切。只要研究生三年没有白过,根本不愁找不到好工作。祝所有正在读研或者即将读研的朋友将来都能有一份满意的工作。

我结合自己找工作的一些经验简单介绍一下图像处理方向就业前景,希望能对后来者有所帮助!

1、请学好图像基本理论知识,笔试会遇到很多基础的题;
2、请学好c++语言,99%以上的公司在招图像岗位的人员时都会笔试c++;
3、请多做一些实际的项目,少一些理论的研究(针对中小企业而言);
4、请不要只局限于的课题,因为可能你的课题只是图像处理领域的一些皮毛;
5、请多了解一些相关的前沿知识;
6、请不要迷信自己的算法,比如BP神经网络(可能理论研究时用的很多,可是实际呢?)
7、请尽量与企业的相关人士探讨该领域的问题,那样的收获比书本大很多;

先写这么多吧,以后再补充!希望能对大家有所帮助!

附:北京相关图像的公司(希望大家能够多补充,公司排名不分先后,若分类错误,请见谅,呵呵!)

外企:

1、 东芝(中国)有限公司 研究开发中心开发部
2、 通用电气(GE)医疗集团
3、 微软
4、 SONY
5、 凌阳
6、 理光软件研究所(北京)
7、 富士通研究开发中心有限公司
8、 三星电子中国通信研究院
9、 NEC中国研究院
10、 研发系统
11、 德加拉北京办事处
12、 适普软件
13、 松下
14、 佳能信息技术(北京)有限公司
15、 ITS(中国)有限公司

国内大型企业:

1、 海湾控股集团有限公司
2、 腾讯研究院招
3、 北大方正
4、 清华同方
5、 北京方正国际
6、 卓望集团
7、 迪瑞集团(北京)研发中心
8、 汉王科技股份有限公司
9、 威视股份
10、联想

事业单位:

1、 中国核工业集团公司
2、 船舶系统工程部
3、 中科院软件所二部
4、 中国科学院软件研究所
5、 中科院自动化所
6、 中国兵器工业第二〇八研究所
7、 中国航天科技集团公司
8、 中国航天科技集团公司第五研究院
9、 综合信息系统技术国家级重点实验室
10、 国家农业信息化工程技术研究中心
11、 中国航天科工集团公司飞航技术研究院
12、 铁道部信息技术中心
13、 中国航天科工集团第二研究院第二〇七所
14、 中国科学院生物物理研究所
15、 中国电子科技集团公司第三研究所
16、 中国船舶信息中心
17、 航天科工卫星技术有限公司
18、 中科院电子所
19、 中国科学院计算技术研究所
20、 中国安全生产科学研究院
21、 中国航天时代电子公司光纤惯导项目分公司
22、 中国计量科学研究院
23、 公安部第一研究所
24、 中国印钞造币总公司

国内中小企业:

1、 北京中自邦柯科技有限公司
2、 北京锦恒佳晖汽车电子系统有限公司
3、 长峰科技工业集团公司
4、 北京京天威科技发展有限公司招聘职位
5、 北京优纳科技有限公司
6、 北京深拓科技有限公司
7、 永鑫宇恒信息技术
8、 北京蓝卡软件技术有限公司
9、 中盛信合(北京)科技有限公司
10、 北京赛尔蒂扶科技有限公司
11、 北达万坤(北京)科技发展有限公司
12、 北京思比科微电子技术有限公司
13、 北京德韶数码技术有限公司
14、 北京天远三维科技有限公司
15、 航天星图科技(北京)有限公司
16、 北京友通
17、 北京中盾安民分析技术有限公司
18、 北京文安科技发展有限公司
19、 北京华生恒业科技有限公司
20、 北京经纬恒润科技有限责任公司
21、 北京伟景行数字城市科技有限公司招聘
22、 北京极明源科技有限公司
23、 北京优立慧科信息技术有限公司
24、 北京华旗资讯数码科技有限公司
25、 北京新航智科技有限公司
26、 银河动力
27、 北京普赛科技有限公司
28、 北京德鑫泉科技发展有限公司
29、 北京嘉恒中自图像技术有限公司
30、 优加利信息科技(北京)技术中心
31、 北京天诚盛业科技有限公司
32、 北京华胜天成有限公司
33、 北京威速科技有限公司
34、 深圳市蓝韵实业有限公司(北京)
35、 北京维深科技发展有限责任公司
36、 重庆金山科技(集团)有限公司(北京)
37、 创新科技(中国)有限公司北京分公司
38、 北京思创贯宇科技开发有限公司
39、 明锐标图
40、 中钞长城金融设备控股有限公司
41、 北京文安视觉科技有限公司
42、 北京东方红海科技发展有限公司
43、 北京普赛科技有限公司
44、 北京昂天科技有限公司
45、 中国东方红卫星股份有限公司
46、 北京长江源科技有限公司
47、 北京海鑫科金高科技股份有限公司
48、 北京瑞斯康达科技发展有限公司
49、 厚德新视
50、 北京嘉恒中自图像技术有限公司
51、 北京科天健图像技术有限公司
52、 大恒图像
53、 凌云光子技术集团
54、 微视凌志
55、 北京微视新纪元科技有限公司
56、 银河传媒
57、 太阳驹(北京)科技发展有限公司
58、 北京道达天际软件技术有限公司
59、 北京航星永志科技有限公司
60、 北京创新未来科技有限公司
61、 北京吉威数码信息技术有限公司
62、 神形互联(北京)科技有限公司
63、 智安邦科技
64、 北京亚邦伟业技术有限公司
65、 北京顶亮科技有限公司
66、 北京华星世联科技有限公司
67、 北京昂天科技有限公司
68、 北京多维视通技术有限公司
69、 同方知网技术产业集团
70、 北京天诚盛业科技有限公司
71、 欢乐网北京研发中心
72、 德众通科技发展(北京)有限公司
73、 北京中远通科技有限公司
74、 北京山海经纬信息技术有限公司
75、 北京德威同致科技有限公司
76、 航天量子数码科技(北京)有限公司
77、 北京超图地理信息技术有限公司
78、 北京中科软件有限公司
79、 北京源德生物医学工程有限公司
80、 北京思比科微电子技术有限公司
81、 北京融信博通科技发展有限公司
82、 北京盛赞科技有限公司_
83、 北京普赛科技有限公司
84、 北京文通信息技术有限公司
85、 万盛(中国)科技有限公司
86、 北京康拓红外技术有限公司

2019-09-16 19:50:37 qq_43163608 阅读数 159

写在前面:本人是非计算机专业的学生,但是在课余学习的时候对图像处理产生了一些兴趣,总觉得大学四年不能总是局限于本专业的知识,想着要了解其他领域感兴趣的方面,就打算开始看数字图像处理的书籍,并且在csdn博客上记录自己的笔记,以期望之后能回顾。可能因为自己是非计算机专业的,对于知识的理解也许不是那么到位。
图像处理是指用计算机对图像进行分析,以达到某种效果或目的。在目前的智能领域,图像处理广泛应用,例如人脸识别,车牌识别等。

数字图像的概念

一幅图像我们可以看做是一个二维函数f(x,y),其中x,y是平面的坐标位置,幅值f为对应每个坐标位置的灰度或强度。而为了方便最图像进行直观的处理,我们需要将图像转化为数字形式,成为一幅数字图像,其中所涉及的的操作有两个部分:取样和量化。
坐标x,y可以定位图像的某个位置,但是一幅图像的x,y和f可能都是连续的,我们需要对其取样,所以将坐标数字化称为取样,将幅值f数字化称为量化。数字图像的质量很大程度上取决于样本数和灰度级,样本数越大,图像质量就越好,不容易出现马赛克现象;量化等级越多,所呈现的图像的层次性越好,灰度分辨率越高。
我们将连续图像取样为一个二维阵列f(x,y),那么图像就可以用矩阵来表示,该矩阵包含M行和N列,(x,y)即为图像坐标。二维阵列函数
其中,图像在任何(x,y)坐标下的值为f(x,y),第一行第一列对应的值为f(0,0),为数字图像的原点,实际上矩阵中的每个元素就是像素。或者我们也可以用传统的矩阵表示方法来表示数字图像:
传统矩阵表示
我们注意到数值图像的原点都是位于左上角,这是因为大多数显示器的扫描都是从左上角开始的,将它作为原点也就顺理成章,这也符合数学上矩阵元素的表达方式。
在数字化过程中,我们需要对行M,列N和灰度级数L作出规定,M,N只需是正整数就可以,但为了存储的需要,L值必须为2的整数次幂:L=2kL = 2^k.我们将灰度离散区间设为[0,L-1],当k=1时,L=2,即图像有两个灰度级数,这也就是我们所见的二值图像,俗称黑白图像。当一幅图像有 2^k个灰度级数时,通常称该图像为一幅“K”比特图像。例如8比特图像有256个离散灰度值。

图像处理专业英语

阅读数 2420

没有更多推荐了,返回首页