参考链接：
1. 计算机视觉 ----全面介绍_疯子书生的博客-CSDN博客
2. 图像处理入门教程_陈俊岭的程序员之路（公众号求关注，方便交流）-CSDN博客_图像处理
4.计算机视觉常用算法整理_小马哥博客录-CSDN博客_计算机视觉常用算法
5.十大经典算法（图像处理）_Java_college的博客-CSDN博客
概述
计算机视觉，是模仿人类眼睛看到图像，得出信息的行为。
比如，用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给一起检测的图像 。
在这个意义上上来讲是属于图像处理的一种。
作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取“信息”的人工智能系统。
根据得出信息的不同，可以划分为物体识别和检测（Object Detection），语义分割（Semantic Segmentation），运动和跟踪（Motion & Tracking），三维重建（3D Reconstruction），视觉问答（Visual Question & Answering），动作识别（Action Recognition）等。
解决方案
传统的计算机视觉对待问题的解决方案基本上都是遵循： 图像预处理 → 提取特征 → 建立模型（分类器/回归器） → 输出 的流程。
基于学习的方法最火的就是深度学习。在深度学习中，大多问题都会采用端到端（End to End）的解决思路，即从输入到输出一气呵成。
基于几何方法最火的就是视觉SLAM。视觉SLAM就是用摄像头作为主传感器，用拍摄的视频流作为输入来实现SLAM。视觉SLAM广泛应用于VR/AR、自动驾驶、智能机器人、无人机等前沿领域。
计算机视觉的难点
难以模拟的人类视觉：
- 人类视觉（有幻觉，独特机理尚未被模拟，旋转的静止图片）和机器视觉的工作原理不一致
- 空想性错试 —— 把东西看成人脸 ——emoji
- 人眼总希望以3D方法理解世界，下意识以透视等理解一张图。
图像处理过程——传统计算机视觉
- 提取原始图像
- 预处理【灰度---〉滤波/边缘检测/分割】
- 特征处理【提取特征值-->对提取的区域做处理(填充区域，膨胀，开操作等)】
上述步骤为对某一类特定图像的处理，比如人脸识别、指纹识别、车牌识别等等.
- 灰度：你采集图像可能是彩色的，而这样的图像色素太多，如果你的图像背景稍微一变化，你的图像就没法处理了，所以图像一般要先灰度，或便成二值图像，
- 滤波：灰度完之后，就要滤波，也就是把你要处理的特定图像外的背景去掉，
- 提取特征值：然后才是对你要研究的图像进行算法处理，提取特征值。
常见的视觉算法
图像预处理算法：
1.图像梯度算法Sobel、Scharr
2.角点检测算法Harris
3.边缘检测算法Canny
4.z直线检测算法Hough
图像特征处理算法：
1.SIFT（尺度不变特征变换）
2.SURF（加速稳健特征）
3.HOG（梯度直方图）
4.Histogram（直方图）
5.LBP（局部二值模式）
6. Brute-Force（蛮力特征匹配）
机器学习常用算法：
1.KNN（K近邻）
2.SVM（支持向量机）
3.K-means（K均值）
4.Haar级联分类器
5.RF（随机森林）
6. Decision Tree（决策树）
7.LR（逻辑回归）
8. GMM（高斯混合模型）
9.SOM（自组织映射）
10.HMM（匹配矩阵）
11.CNN（卷积神经网络）