計算機視覺研究方向有哪些

1、圖像分類

圖像分類是計算機視覺中最基礎的一個任務，也是幾乎所有的基準模型進行比較的任務，從最開始比較簡單的10分類的灰度圖像手寫數字識別mnist，到后來更大一點的10分類的cifar10和100分類的cifar100，到后來的imagenet，圖像分類任務伴隨著數據庫的增長，一步一步提升到了今天的水平。圖像分類，顧名思義，就是一個模式分類問題，它的目標是將不同的圖像，劃分到不同的類別，實現最小的分類誤差。

2、目標檢測

分類任務給出的是整張圖片的內容描述，而目標檢測任務則關注圖片中特定的目標。檢測任務包含兩個子任務，其一是這一目標的類別信息和概率，它是一個分類任務。其二是目標的具體位置信息，這是一個定位任務。與計算機視覺領域里大部分的算法一樣，目標檢測也經歷了從傳統的人工設計特征和淺層分類器的思路（以），到大數據時代使用深度神經網絡進行特征學習的思路。

3、 圖像分割

圖像分割屬于圖像處理領域最高層次的圖像理解范疇。所謂圖像分割就是把圖像分割成具有相似的顏色或紋理特性的若干子區域，并使它們對應不同的物體或物體的不同部分的技術。這些子區域，組成圖像的完備子集，又相互之間不重疊。在圖像處理中，研究者往往只對圖像中的某些區域感興趣，在此基礎上才有可能對目標進行更深層次的處理與分析，包括對象的數學模型表示、幾何形狀參數提取、統計特征提取、目標識別等。

4、目標跟蹤

目標跟蹤，指的其實就是視頻中運動目標的跟蹤，跟蹤的結果通常就是一個框。目標跟蹤是視頻監控系統中不可缺少的環節。 根據目標跟蹤方法建模方式的不同，可以分為生成式模型方法與判別式模型方法。

生成式模型跟蹤算法以均值漂移目標跟蹤方法和粒子濾波目標跟蹤方法為代表，判別式模型跟蹤算法以相關濾波目標跟蹤方法和深度學習目標跟蹤方法為代表。

5、 圖像濾波與降噪

現實中的數字圖像在數字化和傳輸過程中常受到成像設備與外部環境噪聲干擾等影響，稱為含噪圖像或噪聲圖像。減少數字圖像中噪聲的過程稱為圖像降噪，有時候又稱為圖像去噪。 降噪可以應用于圖像增強和美顏等領域。

6、圖像增強

圖像增強，即增強圖像中的有用信息，改善圖像的視覺效果。圖像增強實際上包含了很多的內容，上面的降噪也屬于其中，只是因為降噪多了美顏這一個應用單獨拿出來說一下。

7、 風格化

圖像風格化之所以引起我們的注意，完全是因為2015年的一個研究，可以將任意的圖像轉換為梵高的畫作風格。？也是得益于深度學習技術的發展，傳統的方法做不到這么好的效果。而隨著美圖秀秀，天天P圖等app層出不窮的濾鏡，風格化已經成為了單獨的一個研究領域。？圖像風格化是一個綜述性的技術應用，為了簡單起見，就理解為藝術類濾鏡把，它指通過算法，將數碼相機拍攝的照片，變成繪畫、素描等藝術類的非數碼相機效果，是后期程度最深的操作，將徹底改變相片的風格。

8、 三維重建

三維重建廣義上來說，是建立真實世界的三維模型。隨著軟硬件的成熟，在電影，游戲，安防，地圖等領域，三維重建技術的應用越來越多。目前獲取三維模型的方法主要包括三種，手工建模，儀器采集與基于圖像的建模。

9、 圖像檢索

圖像檢索的研究從20世紀70年代就已經開始，在早期是基于文本的圖像檢索技術（簡稱TBIR），利用文本來描述圖像的特征，如繪畫作品的作者、年代、流派、尺寸等。隨著計算機視覺技術的發展，90年代開始出現了對圖像的內容語義，如圖像的顏色、紋理、布局等進行分析和檢索的圖像檢索技術，也就是基于內容的圖像檢索（簡稱CBIR）技術，本小節的圖像檢索就特指基于內容的圖像檢索。

10、 GAN

GAN被譽為新的深度學習，涉及的研究非常多，可以單列為一個方向。GAN的原理很簡單，它包括兩個網絡，一個生成網絡，不斷生成數據分布。一個判別網絡，判斷生成的數據是否為真實數據。