圖像演算法需求

① 搞演算法（圖像識別，深度學習）必須要懂C/C++嗎

由於圖像識別、深度學習這方面已經有許多人做了基礎性工作，他們提供的程序或者庫都是利用c或c++形式提供的，或者是類似的調用介面，因此要利用這些庫、將這些基本演算法結合到自己的工程中來，需要c和c++的知識
演算法應當是可移植的，同時又不能離硬體太遠。可移植的特點是要求編程語言具備可移植性、通用性，c或c++是比較好的載體；所謂離硬體不太遠，是因為要在演算法優化方面有需求時，需要針對硬體特點，或者硬體提供的能力，做到發揮演算法的最大效能，由於c語言可以很好地結合匯編語言和高級語言，因此在優化方面是比較靈活的。
如果大部分通用演算法都是用c或c++編寫的，為成為通用演算法，你有可能需要順應這一習慣，以便別人將你的演算法結合到他們的c或c++工程中去。
往往你的演算法是在別人編寫的現有演算法上改進得到，如果別人的演算法就是c或c++編寫的，你需要這方面的知識來消化別人演算法的思路，理解成熟演算法的意圖。

② 在圖像處理中有哪些演算法

太多了，去找本書看看吧！給個大概的介紹好了
圖像處理主要分為兩大部分：
1、圖像增強
空域方法有 直方圖均衡化
灰度線性變化
線性灰度變化
分段線性灰度變化
非線性灰度變化（對數擴展
指數擴展）

圖像平滑
領域平均法（加權平均法
非加權領域平均法）
中值濾波
圖像銳化
Roberts運算元
Sobel運算元
拉普拉斯運算元

頻域方法有
低通濾波
理想低通濾波
巴特沃斯低通濾波
指數低通濾波
梯形低通濾波
高通濾波
理想高通濾波
巴特沃斯高通濾波
指數高通濾波
梯形高通濾波
彩色圖像增強（真彩色、假彩色、偽彩色增強）
2、圖像模糊處理
圖像模糊處理
運動模糊（維納濾波
最小均方濾波
盲卷積
……
）

高斯模糊（維納濾波
最小均方濾波
盲卷積
……
）
圖像去噪處理
高斯雜訊
（維納濾波
樣條插值
低通濾波
……
）
椒鹽雜訊
（中值濾波
……
）

③ 做了半年圖像演算法工程師感覺很迷茫怎麼辦

已經不太適合了
這種工作比較累，而且做這種要經常參與加班和分工製作，大多都是那些20出頭的年輕人在做這些，一個團隊中，如果你因為特殊情況而不能經常來加班，也確實不怎麼好
還是建議一些文職，或者是自己能控制時間的崗位會比較好
個人意見，僅作參考

④ 在圖像處理中有哪些演算法

1、圖像變換：

由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，可減少計算量，獲得更有效的處理。它在圖像處理中也有著廣泛而有效的應用。

2、圖像編碼壓縮：

圖像編碼壓縮技術可減少描述圖像的數據量，以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。

壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。

編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。

3、圖像增強和復原：

圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。

圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。

4、圖像分割：

圖像分割是數字圖像處理中的關鍵技術之一。

圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。

5、圖像描述：

圖像描述是圖像識別和理解的必要前提。

一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。

6、圖像分類：

圖像分類屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。

圖像分類常採用經典的模式識別方法，有統計模式分類和句法模式分類。

(4)圖像演算法需求擴展閱讀：

圖像處理主要應用在攝影及印刷、衛星圖像處理、醫學圖像處理、面孔識別、特徵識別、顯微圖像處理和汽車障礙識別等。

數字圖像處理技術源於20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，採用了數字壓縮技術。

數字圖像處理技術可以幫助人們更客觀、准確地認識世界，人的視覺系統可以幫助人類從外界獲取3/4以上的信息，而圖像、圖形又是所有視覺信息的載體，盡管人眼的鑒別力很高，可以識別上千種顏色，

但很多情況下，圖像對於人眼來說是模糊的甚至是不可見的，通過圖象增強技術，可以使模糊甚至不可見的圖像變得清晰明亮。

⑤ 圖像演算法工程師需要扎實的VC++編程能力嗎

圖像處理中演算法很重要，所以數學根底是必須的。當然也不是說開發圖像處理應用的公司只做演算法，也會有用戶交互，產品升級，特徵控制，軟體授權，等等諸多方面的內容，看你怎麼發展了，對於感興趣的事就不要說什麼復雜困難，否則還不如趁早放棄。C語言是移植性強的語言，而且更接近底層，如果寫演算法應該學習。C++從 功能上來說是C的擴展集合，對C的關鍵字是兼容的，不過兩者的設計理念差距很大。如果真想做，就學吧。

⑥ 圖像演算法應用的領域主要有哪些

應用領域
圖像是人類獲取和交換信息的主要來源，因此，圖像處理的應用領域必然涉及到人類生活和工作的方方面面。隨著人類活動范圍的不斷擴大，圖像處理的應用領域也將隨之不斷擴大。
1）航天和航空技術方面
航天和航空技術方面的應用數字圖像處理技術在航天和航空技術方面的應用，除了JPL對月球、火星照片的處理之外，另一方面的應用是在飛機遙感和衛星遙感技術中。許多國家每天派出很多偵察飛機對地球上有興趣的地區進行大量的空中攝影。對由此得來的照片進行處理分析，以前需要僱用幾千人，而現在改用配備有高級計算機的圖像處理系統來判讀分析，既節省人力，又加快了速度，還可以從照片中提取人工所不能發現的大量有用情報。從60年代末以來，美國及一些國際組織發射了資源遙感衛星（如LANDSAT系列）和天空實驗室（如SKYLAB），由於成像條件受飛行器位置、姿態、環境條件等影響，圖像質量總不是很高。因此，以如此昂貴的代價進行簡單直觀的判讀來獲取圖像是不合算的，而必須採用數字圖像處理技術。如LANDSAT系列陸地衛星，採用多波段掃描器（MSS），在900km高空對地球每一個地區以18天為一周期進行掃描成像，其圖像解析度大致相當於地面上十幾米或100米左右（如1983年發射的LANDSAT-4，解析度為30m）。這些圖像在空中先處理（數字化，編碼）成數字信號存入磁帶中，在衛星經過地面站上空時，再高速傳送下來，然後由處理中心分析判讀。這些圖像無論是在成像、存儲、傳輸過程中，還是在判讀分析中，都必須採用很多數字圖像處理方法。現在世界各國都在利用陸地衛星所獲取的圖像進行資源調查（如森林調查、海洋泥沙和漁業調查、水資源調查等），災害檢測（如病蟲害檢測、水火檢測、環境污染檢測等），資源勘察（如石油勘查、礦產量探測、大型工程地理位置勘探分析等），農業規劃（如土壤營養、水份和農作物生長、產量的估算等），城市規劃（如地質結構、水源及環境分析等）。我國也陸續開展了以上諸方面的一些實際應用，並獲得了良好的效果。在氣象預報和對太空其它星球研究方面，數字圖像處理技術也發揮了相當大的作用。