作者：ycszen
連結：https://www.zhihu.com/question/51369979/answer/126568619
來源：知乎
著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。


瀉藥。在跑演算法的時候最適合答題了呢（害羞臉影象處理說到底是一門數學和實踐結合的學科。所以要搞演算法，數學基礎必不可少，同時工程實踐性的話，程式設計能力不能弱。二者不可偏廢。我向來推崇以練促學，以學促練。所以不會一上來就推薦一堆理論性東西的。1）opencv。無論以後是否使用opencv，咱先用著玩起來。找本書跟著寫寫demo，然後自己做點小應用，雖然一直在呼叫api但是大概知道影象處理是個什麼玩意兒。（當然期間配合著可以學學C++或者Python）2）岡薩雷斯的數字影象處理 + opencv部分原始碼。調了這麼久的api，是不是已經慾求不滿了？所以我們開始研究演算法吧，這時候對於一些常用的函式，我們可以去看看對應的實現，以及在理論上到底是個什麼意思，為什麼需要這樣。記住是opencv的部分原始碼，不是讓你去通看，看著看著就沒興趣了，而且也迷失了方向。3）數學。 對於演算法走到後來就是很多數學的東西，對於這些我推薦的還是差哪兒補哪兒，哪兒不懂學哪兒。而不是抱著幾門公開課，厚厚的書啃，這樣就又迷失方向了，記住我們是要學影象處理的。4）專案實踐。這個不用多說，找點實際問題去解決會進步很快哦。當這兒，我們已經對影象處理有了一個熟悉感了，但是可能會覺得有些雜，這時候就是靜下來系統的看看岡薩雷斯那本書了，慢慢的就會有一種通透的感覺。（我也沒達到通透。。。）以上就是傳統影象處理演算法的路子了。現在還有很火的 機器學習和深度學習 做影象處理的。大概路子差不多，學的東西不太一樣。1）Keras/Caffe/Tensorflow/Mxnet等等 深度學習庫或者scikit-learn 機器學習庫。語言推薦python，深入底層後也需要C++。DL庫強烈推薦Keras上手，非常快。2）深度學習方面的書比較少，主要還是以 論文 為主吧，多看總有益。機器學習的書籍：國內：《統計學習方法》（滿滿的乾貨），周志華的《機器學習》，國外的《An Introduction to Statistical Learning 》《ESL》《PRML》等等，當然看英文的可能比較辛苦。3）因為這方面比較火，所以網上公開課也不少。Ng大神的《Machine Learning》，林軒田的《機器學習基石》《機器學習技法》，HInton的《Neural Network for Machine Learning》，任選其一學習即可，英文稍差可以看林軒田的，臺灣人，說的是中文。4）數學。線性代數，矩陣論，概率論，數理統計都會用到的。學習方法還是如上所說。5）學ML/DL切忌紙上談兵，多實踐。網上找點資料集，各種模型自己跑跑試試，改改，這樣才能理解透徹。第一次答這麼長，各位大爺賞個讚唄。麼麼噠～