OpenCV已經將圖像處理(識別)的演算法寫成函數了,那我們還有必要去學習這些演算法不?

01-05

如題，本人剛開始學圖像識別一個星期，現在在學習使用OpenCV，然而我發現OpenCV已經把很多圖像識別所需要的演算法都寫好成函數了，比如邊緣檢測，輪廓檢測這些。
那既然這樣，咱們還去學這些演算法幹嘛呢?我們只需要這些演算法是幹嘛的，然後使用的時候直接調用即可了啊!
另外大家在實際開發中還需要去重寫這些演算法還是直接把OpenCV的源碼拿來用啊？
迷茫中，求大神解答！

看你最終需求是什麼。

如果是常規日常圖像處理，偶爾拿來作為編輯工具使用一下，我覺得只要基本了解一下演算法的功能然後拿來用就好了。比如說，你說的邊緣檢測濾鏡有好幾種，你至少得了解不同濾鏡的基本原理和優缺點。

當然，如果是想入圖像處理大坑，那麼在數學層面系統的理解一些常用演算法絕對是必不可少的。除了幫助你理解這些工具外，還可以幫助你打開腦洞，讓你的思維更加廣闊。再複雜的機器往往都是由許多簡單的零件堆疊而成的，一點一滴的基礎積累至關重要。

這也是很多開發過程中要糾結的一個問題，如果某一個功能已經有現成的庫，究竟用不用好呢（；￣д￣）

這些還是要看需求吧。如果是自己實現，會對這個演算法更加了解，可維護性和可控性會提高，還沒什麼開源協議的限制和束縛，實現演算法過程中順便滿足好奇心，特別你如果是做某個領域的東西，就算不需要去碰底層，懂得底層的原理還是很重要的。但是自己實現這些細節的話學習和開發成本會比較大，可能在實際工作中擔負不起這樣的成本，像我這些學生倒是無所謂，反正時間不值錢（逃。

所以在你不太需要了解底層，且第三方庫的開源協議適合，可以跟項目比較好的契合，那就用吧

blas已經將矩陣寫成函數了，我還學線代嗎？

mma已經可以解微分方程了，我還學微積分嗎？

不學你都不理解工具在幹嘛

「常若知其然而不知其所以然，欲摹寫其情狀，而心不能自喻，口不能自宣，筆不能自傳。」

出自梁啟超的《論小說與群治之關係》

第一次回答，不好的地方還請見諒。

這應該看題主現階段的能力和需求吧。還不清楚題主目前處在什麼狀態，我拿我自己來說，剛上大三的計算機學生，平時參加robocon競賽(門檻挺高的一個機器人比賽，有興趣的可以了解下)，今年我們拿了個國際賽亞軍，8月份比完賽回來開始學習openCV，目標是在17年的比賽中使用視覺(不保證一定會用上)。我要學明白的原因主要有下面這兩個:

其一，robocon比賽對穩定性的要求非常高，所以我必須要把我所寫的程序弄的明明白白，如果我只是用了openCV的庫，在實際應用中出現了問題，我不太可能處理的很好。而且比賽場地可能環境比較複雜，需要針對場地做一些改變，如果我不懂原理，不懂其中的演算法怎麼可以。

其二，我們用的平台可能不允許，就拿今年的比賽來說，我們的一台機器人用了一款小攝像頭，處理器是ARM-M4，直接使用openCV不現實，如果我明白原理，我可以用c寫一個適合我的程序(我們也是這麼做的)。

為了學好這一些，我不僅要學會原理，還要能用代碼實現出來，現在學了有小一個月了，邊學邊自己邊實現一些演算法，自己仿著openCV寫了一個庫，Github上有:https://github.com/ffiirree/zMatrix，已經實現了中值、方框、高斯、均值濾波，基本的形態學濾波，還有Canny邊緣檢測演算法，不過演算法的實現還比較糙，沒有經過什麼優化，其他的還在實現中。

這些比較基礎，有些能力的都能實現，我現在實現的這幾種演算法可以在不同的平台自己再實現出來，更靈活，非常方便。

感覺只是學會使用其實應該不算邁入了圖像處理的大門吧，通過學習這些原理，實現演算法，感覺的確學到了很多東西，比剛上來只學習函數怎麼用好多了。

所以我覺得，有能力，有時間，必須要懂原理，學會這些演算法。

有必要，非常有必要。

既然你這麼問了，那我默認你是做圖像處理/機器學習方向的研究，或者你是程序員，但經常要接觸圖像相關的編程。

兩種情況下你都需要去了解他們的原理。

因為：

如果你讀過opencv的源碼，你就會發現，好多的演算法，它的實現效率是多麼地低！以及，他考慮的情況是多麼地少！

有時候為了性能，為了更好地應用到你的實際情況，必須要自己手動去實現一些演算法，或者更改opencv的源碼。

我舉一個簡單的小例子：

利用opencv的Laplace運算元對圖像進行邊緣檢測。

opencv的調用方式很簡單：

#include & #include &


using namespace std;

using namespace cv;

int main() { Mat src = imread("test.jpg"); Mat dst; Laplacian(src,dst,src.depth()); imshow("src",src); imshow("result",dst); waitKey(0); return 0; }

一句Laplacian(src,dst,src.depth())調用就搞定了，確實很簡單。效果也不錯：

查看它的源碼：

聲明部分：

// .h CV_EXPORTS_W void Laplacian( InputArray src, OutputArray dst, int ddepth, int ksize=1, double scale=1, double delta=0, int borderType=BORDER_DEFAULT );

實現部分：

// .cpp void Laplacian(InputArray src, OutputArray dst, int ddepth, int ksize, double scale, double delta, int borderType) { CV_Assert(delta == 0);


    if (!src.clCxt-&>supportsFeature(FEATURE_CL_DOUBLE)  src.type() == CV_64F)

    {

        CV_Error(CV_OpenCLDoubleNotSupported, "Selected device doesn"t support double");

        return;

    }
    CV_Assert(ksize == 1 || ksize == 3);
    double K[2][9] =

    {

        {0, 1, 0, 1, -4, 1, 0, 1, 0},

        {2, 0, 2, 0, -8, 0, 2, 0, 2}

    };

    Mat kernel(3, 3, CV_64F, (void *)K[ksize == 3 ? 1 : 0]);
    if (scale != 1)

        kernel *= scale;

filter2D(src, dst, ddepth, kernel, Point(-1, -1), 0, borderType); }

注意倒數第4句的ksize，它只考慮了兩個laplacian的掩膜(mask)：

當ksize == 1時(默認值)，選擇k[0]，即掩膜為：

當ksize==3時，選擇k[1],掩膜為：

這兩個掩膜都是非常簡單的3x3的laplacian的掩膜，但是不是太簡單了！

如果我實際需要5x5的掩膜、7x7的掩膜呢？需要不同的掩膜參數呢？這些通過直接調用這個函數就做不到了，所以需要我們自己去寫源碼實現我們想要的功能。

(這個例子是從演算法實現角度去考慮的，另一個方面是實現效率上，也有很多可以優化的地方.)

所以，少年，勇敢地去了解演算法的原理吧:)

最近遇到一個問題，用opencv的庫，但是直接引到app里好大，這個東西咋裁剪縮小庫的大小，中間依賴關係是啥

opencv使用的方法都是最經典最常規最通用的。

這些方法用起來效果不錯，但是穩定性跟速度都沒法保障，當你要開發具體應用的時候，你還是需要結合你的處理對象訂製一些針對性的演算法，這個時候如果能使用opencv里的基礎方法進行組合，那是比較方便的，但如果不行，就只能自己寫了。

而且，學演算法的作用不僅是學會應用，也是在學習一種解決問題的思路，這也是圖像工作者的價值所在，所以還是好好學吧。

1.opencv沒有比較新的演算法。比如opencv做圖割，還是用的grab cut。這演算法04年的，現在是17年。稍微新一點的，比如11年的power watershed，以及稍早一點的continous max flow，據我所知除了作者的代碼（而且還不能直接用），opencv是沒有集成的。根據我平時使用的經驗，opencv的演算法基本都是08年以前的。而且很多學術界非常常用的演算法opencv都沒有，比如TV去噪（別TV了，PM都沒）。什麼是TV去噪，蘋果手機去噪演算法就用的這個，放大了非常明顯。比較可以接受的高速解法大概也就是11年12年那會兒出來的。所以我平時用opencv基本僅限於讀圖/取像素點/和做一些簡單的變換，比如圖片拉伸這種。新的演算法很多都是需要自己去implement的。

2.東西老，比如高斯模糊，幾十年前的，你能不學嗎？高斯模糊門道還多了。比如怎麼用離散的高斯去快速畢竟高斯核？怎麼提高高斯卷積的計算速度？高斯卷積核寬度取多少？怎麼用高斯卷積做多尺度？這不都是問題嗎。用了幾年OpenCV結果連卷積是什麼都搞不拎清，這不麻煩了。

3.OpenCV有些代碼是有BUG的。而且OpenCV有些代碼也根本沒有優化過。如果有這方面的需求還是要自己寫或者找更專業的庫。

看你想當一個代碼猴還是一個工程師。

調用一個函數，調調參數很簡單。門檻很低。

藍翔出來的也能幹。

但是你要是想做一些新的創新，就必須懂原理。知道他是怎麼工作的，為什麼工作，什麼情況下不適用，為什麼不工作，要如何改進才能工作。

雙邊濾波的作者一定知道高斯的原理。

勿在浮土築高台。

有。

計算機視覺很多演算法給的參數差這麼一點點，出來的結果可能差之千里。為了了解這些參數是做什麼用的、發揮什麼作用以及什麼樣的情況該用什麼樣的參數，這些都需要去學習了解演算法。

不深入學習裡面的演算法？

那你以後就只能這麼乾瞪眼看這個。。。

拋開需求談xx都是耍流氓

喜歡研究就看看原理和實現，覺得有心理負擔就等有心情了再研究，重要的是寫代碼要開心。有一點是，opencv里基本是基礎實現和經典演算法，最新成果基於它們之上。還有，opencv的大部分代碼實現兼顧簡潔靈活高效，很有參考價值，拿自己的實現和它對比，進步很快。

要知道我們在使用編程語言的時候，很多東西也已經封裝好了，比如vector,stack,queue...

但是我們還是要學習棧，隊列這些知識啊，對知識的掌握才能讓我們更好地去應用工具～

如果是小需求，那麼不需要深入理解，直接把opencv文檔看懂，學習些常見的問題就行了。

但是如果有深入的要求，比如從事相關研究或者精確度要求比較高的工程項目時，opencv的函數並不一定是最好的方法，畢竟選取的也都是些比較老而且穩定的演算法。自己新拿來一篇論文，要理解需要明白最根本的東西，就是opencv隱含的數學基礎等，要復現需要自己擼演算法，opencv的函數不一定合適。

說說我吧，我也剛為了項目學C++和OPENCV，以前我是C#陣營的，有時候真懶的學OPENCV自帶的那些演算法比如邊緣檢測的五個傳入參我到現在還沒整明白。我只會MAT a.at&(x,y)，然後我循環遍歷像素做各種操作，比如我寫了高斯模糊，二值化，邊緣檢測，繪製矩形等等，而且就算是1080*1920的圖也是效率奇高，不比OPENCV自帶的演算法差，然後我把這些方法封到DLL里供WPF調用，供UNITY調用，我愛我的庫，就像不斷裝修一套屬於自己的房子，這種不斷完善的感覺很美妙，就像OPENGL的GLEW庫一樣，以後OPENCV會不會有我的庫出名了開源供給大家使用。

而且我還對項目有胸有成竹的感覺，因為我完全了解了它，忘記說了，我的項目是通過雙目攝像頭做採集點定位，我愛我的項目。所以我忽略了我的家人，媳婦帶著孩子回外省的老家一呆就是半年多。

感謝大家的回答，這個問題的答案已經非常明確了。

一句話總結出來就是：

你想用得越高級，那麼就該學習得越深入。

進行簡單應用是沒關係的，深層次應用就有問題了

我自己來了

我的目標很簡單，把opencv增加2d to 3d庫，而且保持跨平台性，那麼我必然要重構它啊