A. 圖形圖像處理對編程的要求高嗎我是女生，自我感覺不很擅長編程，
要求不高
圖像處理難度在於研究各種對圖像處理的演算法原理，這種演算法代碼網上很多源碼，但是原理的知識點比較多而且還是有難度的，圖像的存儲採集、灰階二值處理、圖像格式轉置以及多種圖像變換演算法等，主要是數學要有點基礎，否則理解很吃力
B. 圖像處理專業一定要會編程嗎
圖像處理專業不光是ps和flah 這是多媒體技術。
圖像處理實際上是信號處理，涉及很多知識，模式識別，信號處理，統計學習等
處理大量的圖像數據不用計算機編程處理還能怎麼辦。
比如jpg格式的圖象就設計信號變換。
C. 圖像分割技術論文
圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。我整理了圖像分割技術論文，歡迎閱讀!
圖像分割技術研究
摘要：圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。本文介紹了基於閾值的分割方法和圖像分割的圖像分割性能的評價、應用現狀;最後總結出圖像分割的發展趨勢。
關鍵詞：圖像分割、閾值、邊緣檢測、區域分割
中圖分類號： TN957.52 文獻標識碼： A
1引言
隨著圖像分割技術研究的深入，其應用日趨廣泛。凡屬需要對圖像目標進行提取、測量的工作都離不開圖像分割。圖像分割是圖像處理、模式識別和人工智慧等多個領域中一個十分重要且又十分困難的問題，是計算機視覺技術中首要的、重要的關鍵步驟。圖像分割結果的好壞直接影響對計算機視覺中的圖像理解。現有的方法多是為特定應用設計的，有很大的針對性和局限性，到目前為止還不存在一個通用的方法，也不存在一個判斷分割是否成功的客觀標准。因此，對圖像分割的研究目前還缺乏一個統一的理論體系，使得圖像分割的研究仍然是一個極富有挑戰性的課題。
2圖像分割方法
圖像分割(Image Segmentation)，簡單地說就是將一幅數字圖像分割成不同的區域，在同一區域內具有在一定的准則下可認為是相同的性質，如灰度、顏色、紋理等。而任何相鄰區域之間其性質具有明顯的區別。
2.1基於灰度特徵的閾值分割方法
閾值分割技術是經典的、流行的圖象分割方法之一，它是用一個或幾個閾值將圖像的灰度級分為幾個部分，認為屬於同一個部分的像素是同一個物體。
這類方法主要包括以下幾種：
(1)單閾值法，用一個全局閾值區分背景和目標。當一幅圖像的直方圖具有明顯的雙峰時，選擇兩峰之間的谷底作為閾值。
(2)雙閾值法，用兩個閾值區分背景和目標。通過設置兩個閾值，以防單閾值設置閾值過高或過低，把目標像素誤歸為背景像素，或把背景像素誤歸為目標像素。
(3)多閾值法，當存在照明不均，突發雜訊等因素或背景灰度變化較大時，整幅圖像不存在合適的單一閾值，單一閾值不能兼顧圖像不同區域的具體情況，這時可將圖像分塊處理，對每一塊設一個閾值。
2.2 邊緣檢測分割法
基於邊緣檢測技術可以按照處理的順序分為並行邊緣檢測和串列邊緣檢測兩大類。常見的邊緣檢測方法有：差分法、模板匹配法及統計方法等。由於邊緣灰度變化規律一般體現為階梯狀或者脈沖狀。邊緣與差分值的關系可以歸納為兩種情況，其一是邊緣發生在差分最大值或者最小值處;其二是邊緣發生在過零處。
2.3基於區域的分割方法
基於區域的分割方法利用的是圖像的空間性質。該方法認為分割出來的某一區域具有相似的性質。常用的方法有區域生長法和區域分裂合並法。該類方法對含有復雜場景或自然景物等先驗知識不足的圖像進行分割，效果較好。
區域生長方法是把一幅圖像分成許多小區域開始的，這些初始的小區域可能是小的鄰域甚至是單個像素，在每個區域中，通過計算能反映一個物體內像素一致性的特徵，作為區域合並的判斷標准。區域合並的第一步是賦給每個區域一組參數，即特徵。接下來對相鄰區域的所有邊界進行考查，如果給定邊界兩側的特徵值差異明顯，那麼這個邊界很強，反之則弱。強邊界允許繼續存在，而弱邊界被消除，相鄰區域被合並。沒有可以消除的弱邊界時，區域合並過程結束，圖像分割也就完成。
2.4結合特定工具的圖像分割技術
20世紀80年代末以來，隨著一些特殊理論的出現及其成熟，如數學形態學、分形理論、模糊數學、小波分析、模式識別、遺傳演算法等，大量學者致力於將新的概念、新的方法用於圖像分割，有效地改善了分割效果。產生了不少新的分割演算法。下面對這些演算法做一些簡單的概括。
2.4.1基於數學形態學的分割演算法
分水嶺演算法是一種經典的借鑒了數學形態理論的分割方法。該方法中，將一幅圖像比為一個具有不同高度值的地形，高灰度值處被認為是山脊，底灰度值處被認為是山谷，將一滴水從任一點流下，它會朝地勢底的地方流動，最終聚於某一局部最底點，最後所有的水滴會分聚在不同的吸引盆地，由此，相應的圖像就被分割成若幹部分。分水嶺演算法具有運算簡單、性能優良，能夠較好提取運動對象輪廓、准確得到運動物體邊緣的優點。但分割時需要梯度信息，對雜訊較敏感。
2.4.2基於模糊數學的分割演算法
目前，模糊技術在圖像分割中應用的一個顯著特點就是它能和現有的許多圖像分割方法相結合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。
這類方法主要有廣義模糊運算元與模糊閾值法兩種分割演算法。
(1)廣義模糊運算元在廣義模糊集合的范圍內對圖像處理，使真正的邊緣處於較低灰度級，但還有一些不是邊緣的像素點的灰度也在較低灰度級中，雖然演算法的計算簡明，且邊緣細膩，但得到的邊緣圖會出現斷線問題。
(2)模糊閾值法引入灰度圖像的模糊數學描述，通過計算圖像的模糊熵來選取圖像的分割閾值，後用閾值法處理圖像得到邊界。
2.4.3基於遺傳演算法的分割方法
此演算法是受生物進化論思想提出的一種優化問題的解決方法，它使用參數編碼集而不是參數本身，通過模擬進化，以適者生存的策略搜索函數的解空間，它是在點群中而不是在單點進行尋優。遺傳演算法在求解過程中使用隨機轉換規則而不是確定性規則來工作，它唯一需要的信息是適應值，通過對群體進行簡單的復制、雜交、變異作用完成搜索過程。由於此法能進行能量函數全局最小優化搜索，且可以降低搜索空間維數，降低演算法對模板初始位置的敏感，計算時間也大為減少。其缺點是容易收斂於局部最優。
2.4.4基於神經網路分割演算法
人工神經網路具有自組織、自學習、自適應的性能和非常強的非線性映射能力，適合解決背景知識不清楚、推理規則不明確和比較復雜的分類問題，因而也適合解決比較復雜的圖像分割問題。原則上講，大部分分割方法都可用 ANN(attificial neural network)實現。ANN 用於分割的研究起步較晚，只有多層前饋NN，多層誤差反傳(BP)NN，自組織NN，Hopfield NN以及滿足約束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了應用。使用一個多層前向神經網路用於圖象分割，輸入層神經元的數目取決於輸入特徵數，而輸出層神經元的數目等同於分類的數目。
2.5圖像分割中的其他方法
前面介紹了4大類圖像分割較常用的方法，有關圖像分割方法和文獻很多，新方法不斷產生，這些方法有的只對特定的情形有效，有的綜合了幾種方法，放在一起統稱為第5類。
(1)標號法(labeling)是一種基於統計學的方法，這種方法將圖像欲分割成的幾個區域各以一個不同的標號來表示，用一定的方式對圖像中的每一個像素賦以標號，標號相同的像素就合並成該標號所代表的區域。
(2)基於Snak模型的分割方法，基於Snake模型的分割是通過對能量函數的動態優化來逼近圖像目標的真實輪廓的
(3)紋理分割，由於新的數學工具的引入，紋理分割技術取得了一些進展，張蓬等人將小波分析應用於紋理基元提取。
(4)基於知識的圖像分割方法，直接建立在先驗知識的基礎上，使分割更符合實際圖像的特點。該方法的難度在於知識的正確合理的表示與利用。
3圖像分割性能的評價
圖像分割評價主要有兩個方面的內容：一是研究各分割演算法在不同情況下的表現，掌握如何選擇和控制其參數設置，以適應不同需要。二是分析多個分割演算法在分割同一圖像時的性能，比較優劣，以便在實際應用中選取合適的演算法。分割評價方法分為分析法和實驗法兩大類。分析法是直接分析分割演算法本身的原理及性能，而實驗法是通過對測試圖像的分割結果來評價演算法的。兩種方法各有優劣，由於缺乏可靠理論依據，並非所有分割演算法都能夠通過分析法分析其性能。每種評價方法都是出於某種考慮而提出來的，不同的評價方法只能反映分割演算法性能的某一性能。另一方面，每一種分割演算法的性能是由多種因素決定的，因此，有可能需要多種准則來綜合評價。
4圖像分割技術的發展趨勢
隨著神經網路、遺傳演算法、統計學理論、小波理論以及分形理論等在圖像分割中的廣泛應用，圖像分割技術呈現出以下的發展趨勢：(1)多種特徵的融合。(2)多種分割方法的結合。(3)新理論與新方法。
參考文獻
[1] [美]RC岡薩雷斯.數字圖像處理(第二版)[M].阮秋琦，等譯.北京：電子工業出版社，2003
[2] 章毓晉.圖像分割[M].北京：科學出版社，2001.
[3] 李弼程，彭天強，彭波等.智能圖像處理技術[M].北京：電子工業出版社，2004.
[4] 楊暉，曲秀傑.圖像分割方法綜述[J].電腦開發與應用。2005，18(3)：21-23.
點擊下頁還有更多>>>圖像分割技術論文
D. 如何用深度學習實現衛星圖像分割與識別
深度學習在物體識別中最重要的進展體現在ImageNetILSVRC3挑戰中的圖像分類任務。傳統計算機視覺方法在此測試集上最低的錯誤率是26.172%。2012年，欣頓的研究小組利用卷積網路把錯誤率降到了15.315%。此網路結構被稱為AlexNet，與傳統的卷積網路相比，它有三點與眾不同之處：首先，AlexNet採用了dropout的訓練策略，在訓練過程中將輸入層和中間層的一些神經元隨機置零。這模擬了噪音對輸入數據的各種干擾使一些神經元對一些視覺模式產生漏檢的情況。Dropout使訓練過程收斂得更慢，但得到的網路模型更加魯棒。其次，AlexNet採用整流線型單元作為非線性的激發函數。這不僅大大降低了計算的復雜度，而且使神經元的輸出具有稀疏的特徵，對各種干擾更加魯棒。第三，AlexNet通過對訓練樣本鏡像映射和加入隨機平移擾動，產生了的訓練樣本，減少了過擬合。在ImageNetILSVRC2013比賽中，排名前20的小組使用的都是深度學習技術。獲勝者是紐約大學羅伯·費格斯(RobFergus)的研究小組，所採用的深度模型是卷積網路，並對網路結構作了進一步優化，錯誤率為11.197%，其模型稱作Clarif。在ILSVRC2014比賽中，獲勝者GooLeNet[18]將錯誤率降到了6.656%。GooLeNet突出的特點是大大增加了卷積網路的深度，超過了20層，這在此之前是不可想像的。很深的網路結構給預測誤差的反向傳播帶了困難，這是因為預測誤差是從最頂層傳到底層的，傳到底層的誤差很小，難以驅動底層參數的更新。GooLeNet採取的策略是將監督信號直接加到多個中間層，這意味著中間層和底層的特徵表示也要能夠對訓練數據進行准確分類。如何有效地訓練很深的網路模型仍是未來研究的一個重要課題。雖然深度學習在ImageNet上取得了巨大成功，但是很多應用的訓練集是較小的，在這種情況下，如何應用深度學習呢？有三種方法可供參考：(1)可以將ImageNet上訓練得到的模型作為起點，利用目標訓練集和反向傳播對其進行繼續訓練，將模型適應到特定的應用[10]。此時ImageNet起到預訓練的作用。(2)如果目標訓練集不夠大，可以將底層的網路參數固定，沿用ImageNet上的訓練集結果，只對上層進行更新。這是因為底層的網路參數是最難更新的，而從ImageNet學習得到的底層濾波器往往描述了各種不同的局部邊緣和紋理信息，而這些濾波器對一般的圖像有較好的普適性。(3)直接採用ImageNet上訓練得到的模型，把最高的隱含層的輸出作為特徵表達，代替常用的手工設計的特徵。
E. 圖像處理與模式識別這個方向適合女生嗎具體是做什麼的呢
這個專業不屬於那種性別差異明顯的專業，相反我倒覺得挺適合女生的。
因為這個專業多半是在做演算法或者編程，理論性強。圖像處理本身就是屬於比較有發展潛力的方向，具體細分的話有可以分很多的分支，比如圖像的分割、圖像的邊緣提取、超分辨（很火)、識別、圖像分析等等。這個方向對研究生的要求重點在以下幾個方面：1.英語基礎良好，將來要閱讀大量的國外文獻 2.數學素養要高，將來設計演算法什麼的對這方面要求較高，好多圖像處理都用到隨機統計理論、模糊理論、優化等等數學基礎 3.編程能力要強，其實實驗室的話多半是用matlab來編製程序的，這個語言本身就比較簡單，上手比較快，重點前兩項。
合理的權衡一下吧，希望對你有所幫助！
F. 想從一張Jpg圖像中識別出若干黑色區域，用於對答題卡的塗卡部分進行自動算分。求Java圖像分割與識別技術
其實不用想得太難。
處理圖像像素用BufferImage類。
首先，你得確定指定的答題卡塗卡的每個可塗選點的物理像素位置，這一步可以用一張空白的答題卡進行人工採集數據，做成一個資料庫形式就可以了。定義好這些可塗選點定義對應的選項A\B\C\D。
然後你從掃描儀得到圖像，把圖像載入，進行像素分析，假設掃描答題卡放置的方向是正確的，因此不用考慮識別答題卡放置方向。再來，好樣的，從之前採集的資料庫得到一個可塗選的像素坐標位置，用此去識別答題卡上對應的塗選框是否塗選，以此類推逐行識別，因為你之前已經在資料庫裡面定義好了對應的塗選點的含義了，在這里只要往資料庫一查就知道(考生塗選的是什麼)了！
下一步只要將試卷上考生塗選的選項轉換為數據保存到考生考試資料庫。
至於如何識別考生塗選的方塊，一般答題卡的塗選選框就是一個固定的大小，你只要知道它高多少像素，寬多少像素。考生塗選選項筆跡時一般都和這個選框大小的區域差不多，只要統計這個位置之內的比較黑的顏色數量占此塗選框的面積%50以上，可以認為這個是考試塗選的 選項。
還有個建議：一般答題卡上面都有一些用來給答題卡識別軟體使用的定位點，你抓住這些規則就應該能更准確定位到答題卡塗選選項的位置。
G. 學習圖像識別技術需要什麼基礎知識有沒有推薦教材
您好：
我覺得最基本的圖像處理的圖像，你應該有圖像處理等知識有一定的了解（包括圖像平滑去噪，圖像增強，圖像分割和圖像變換）應該是的基礎上，模式識別這個我建議你看到的圖像處理岡薩雷斯這本書，用於模式識別，迪達寫道，「模式分類」這本權威的書，我覺得模式識別領域仍然有很多的東西可以挖掘，畢竟他做到了沒有完美的常規固定經典物理學理論，這本書是很多理論都有自己的缺點加以改進，你先學這本書呈現（如貝葉斯決策理論，參數和非參數估計的基本理論，等），要學會去研究這些理論這些問題。有一個數學基礎，相關的數學圖形識別的基礎上，應該有：高等數學，線性代數，概率論，隨機過程優化方法，等等。你有數學基礎，科學這些應該不是難事。
希望對你有用！
H. 圖像處理與模式識別演算法工程師需要哪些基礎
圖像和模式識別演算法工程師需要相當好的數學基礎，門檻較高，當然我指的是你想真正在這個行業立足，隨便找一本模式識別或者圖像處理的書看看就知道難度了。不然各大公司也不會校招就開出30w的年薪給這類職業
I. 學圖像處理困難嗎 有c編程基礎的，學會一般需要多久呢
一般需要學習2年才能入門吧，第一年基礎的圖像知識，第二年實踐練習
J. 計算機專業翻譯--圖像分割
[ Abstract ]: The picture division is refers the picture divides intoeach characteristic region, and withdraws feels the interest goal thetechnology and the process. The picture division is pictureprocessing, the pattern recognition and the artificial intelligenceand so on in many domains is extremely important also the extremelydifficult question. The picture division for certain sub- pictures,and using each sub- picture characteristic and between them therelational description picture, regarding the picture recognition andthe explanation, the scenery analysis as well as picture piecemealprocessing and the memory all has the very big significance. Thepicture division basically is carries on classified to the pictureelement the process, the commonly used division method has thegradation rank threshold value law, the region fresh good methodyielding long-term benefits and the edge examines the measurement, thespectrum and the spatial classification. CT (the Computed Tomographyabbreviation, namely computer X beam body level photography) firstuses in the skull cerebrum disease to diagnose, latter expands to thegeneral physical checkup, is X in a radioactivity Great Revolution. Itis with X beam to the human body scanning, obtains the information,obtains the reconstruction picture after electronic accounting machineprocessing. This article reviews and summarized the picture divisionmethod which some knew very well, from the principle, the applicationand the division effect has carried on the analysis to the classicspicture division method, simultaneously has made the briefintroction to the position chart file organization and the CTpicture imagery principle, and discusses quite has now been popularbased on the component software development thought. Developed in thisfoundation with VC++6.0 has realized to brain skull CT picture basicprocessing and the division function. [ Essential character ]: CT picture position chart operation pictureprocessing picture division based on component software development