计算机视觉硕士该怎么学习 学习了哪些知识，计算机视觉才算入门
对于机器视觉方向的研究生该如何去规划学习？学习了哪些知识，计算机视觉才算入门，学习计算机视觉需要哪些知识储备，计算机视觉需要学什么？
本文导航
机器视觉研究生学什么专业
是考上的上海电力学院不？
考的专业不同，所以给不了楼主什么有建设性的意见。
关于研究生阶段的规划：
一、研究生与大学生的区别
首先跟大家说明一下研究生和大学生的区别。大学生基本上是来接受学问、接受知识的，在中国原本并没有博硕士的学历，但是在西方他们原来的用意是，恭贺你已经对人类普遍的知识有所创新，这个创新或大或小，都是对于普遍的知识有所贡献。这个创新不会因为你做本土与否而有所不同，所以第一个我们必须要很用心、很深刻的思考，大学生和研究生是不同的。
（一）选择自己的问题取向，学会创新
你一旦是研究生，你就已经进入另一个阶段，不只是要完全乐在其中，更要从而接受各种有趣的知识，进入制造知识的阶段，也就是说你的论文应该有所创新。由接受知识到创造知识，是身为一个研究生最大的特色，不仅如此，还要体认自己不再是个容器，等着老师把某些东西倒在茶杯里，而是要开始逐步发展和开发自己。做为研究生不再是对于各种新奇的课照单全收，而是要重视问题取向的安排，就是在硕士或博士的阶段里面，所有的精力、所有修课以及读的书里面都应该要有一个关注的焦点，而不能像大学那般漫无目标。大学生时代是因为你要尽量开创自己接受任何东西，但是到了硕士生和博士生，有一个最终的目的，就是要完成论文，那篇论文是你个人所有武功的总集合，所以这时候必须要有个问题取向的学习。
（二）尝试跨领域研究，主动学习
提出一个重要的问题，跨越一个重要的领域，将决定你未来的成败。我也在台大和清华教了十几年的课，我常常跟学生讲，选对一个领域和选对一个问题是成败的关键，而你自己本身必须是带着问题来探究无限的学问世界，因为你不再像大学时代一样泛滥无所归。所以这段时间内，必须选定一个有兴趣与关注的主题为出发点，来探究这些知识，产生有机的循环。由于你是自发性的对这个问题产生好奇和兴趣，所以你的态度和大学部的学生是截然不同的，你慢慢从被动的接受者变成是一个主动的探索者，并学会悠游在这学术的领域。
然而研究生另外一个重要的阶段就是 Learn how to learn ，不只是学习而已，而是学习如何学习，不再是要去买一件很漂亮的衣服，而是要学习拿起那一根针，学会绣出一件漂亮的衣服，慢慢学习把目标放在一个标准上，而这一个标准就是你将来要完成硕士或博士论文。如果你到西方一流的大学去读书，你会觉得我这一篇论文可能要和全世界做同一件问题的人相比较。我想即使在***也应该要有这样的心情，你的标准不能单单只是放在旁边几个人而已，而应该是要放在领域的普遍人里面。你这篇文章要有新的东西，才算达到的标准，也才符合到我们刚刚讲到那张拉丁文的博士证书上面所讲的，有所贡献与创新。
二、一个老师怎么训练研究生
第二个，身为老师你要怎么训练研究生。我认为人文科学和社会科学的训练，哪怕是自然科学的训练，到研究生阶段应该更像师徒制，所以来自个人和老师、个人和同侪间密切的互动和学习是非常重要的，跟大学部坐在那边单纯听课，听完就走人是不一样的，相较之下你的生活应该要和你所追求的知识与解答相结合，并且你往后的生活应该或多或少都和这个探索有相关。
（一）善用与老师的伙伴关系，不断 Research
我常说英文 research 这个字非常有意义， search 是寻找，而 research 是再寻找，所以每个人都要 research ，不断的一遍一遍再寻找，并进而使你的生活和学习成为一体。中国近代兵学大师蒋百里在他的兵学书中曾说：「生活条件要跟战斗条件一致，近代欧洲凡生活与战斗条件一致者强，凡生活与战斗条件不一致者弱。」我就是藉由这个来说明研究生的生活，你的生活条件与你的战斗条件要一致，你的生活是跟着老师与同学共同成长的，当中你所听到的每一句话，都可能带给你无限的启发。
（二）藉由大量阅读和老师提点，进入研究领域
怎样进入一个领域最好，我个人觉得只有两条路，其中一条就是让他不停的念书、不停的报告，这是进入一个陌生的领域最快，又最方便的方法，到最后不知不觉学生就会知道这个领域有些什么，我们在不停念书的时候常常可能会沉溺在细节里不能自拔，进而失去全景，导致见树不见林，或是被那几句英文困住，而忘记全局在讲什么。藉由学生的报告，老师可以讲述或是厘清其中的精华内容，经由老师几句提点，就会慢慢打通任督二脉，逐渐发展一种自发学习的能力，同时也知道碰到问题可以看哪些东西。就像是我在美国念书的时候，我修过一些我完全没有背景知识的国家的历史，所以我就不停的念书、不停***着自己吸收，而老师也只是不停的开书目，运用这样的方式慢慢训练，有一天我不再研究它时，我发现自己仍然有自我生产及蓄发的能力，因为我知道这个学问大概是什么样的轮廓，碰到问题也有能力可以去查询相关
学习了哪些知识，计算机视觉才算入门
计算机视觉是一个很大的范畴的总和，有两种学习方式，一种是阅读基础书，搞懂它的每一部分；另一种是找一个问题，看文献，编程实现，不断往深走。这两种学习方式是互补的，如果你看了好几年书还不能上手解决问题，或者只会解决某些很特殊的问题，对其他问题束手无策都不算成功。因此你需要把看书掌握一般知识和编程实验解决具体问题齐头并进。下面说你要干什么：
下载安装OpenCV2
OpenCV是一个非常强大的计算机视觉库，包括了图像处理、计算机视觉、模式识别、多视图几何的许多基本算法，有c++和Python两种接口。学习的材料首先是安装目录下doc文件夹里的帮助文档，提供所有函数的用法，任何时候对任何函数有疑问请查阅帮助文档，安装目录下还提供一大堆写好的演示程序供参考；《OpenCV_2 Computer Vision Application Programming Cookbook》是一本比较基础的介绍材料，它的缺点是没有介绍分类器（模式识别）方面的函数怎么用。
虽然网上还有其他很多流行的库，比如处理特征点的VLfeat，处理点云的PCL，处理GPU运算的CUDA，处理机器人问题的ROS和MRPT，但是这些都是你在解决具体问题时才会考虑去用的东西，如果你想快速读取视频、做个屏幕交互程序、使用流行的分类器、提取特征点、对图像做处理、进行双目重建，OpenCV都提供相应函数，因此在你不知道该把余生用来干什么的时候，先装OpenCV学习。
读综述
Computer Vision: Algorithms and Application。这本书用1000页篇幅图文并茂地浏览了计算机视觉这门学科的诸多大方向，如果你不知道计算机视觉是一门搞什么的学科，这本书是你绝佳的选择。它的优点是涉猎了大量文献，缺点是缺乏细节，因此很显然只读这本书你根本没法上手工作，因为它讲的实在是太粗糙了。如果你对其中的某一部分感兴趣，就请去读相关文献，继续往下走，这就是这本书的意义。有中文版，但是翻译的不好，也不建议你细细去读，看看里面的图片即可。
Computer Vision: Models, Learning, and Inference：这本书是我认为研究生和高年级本科生入门计算机视觉最好的教材。它内容丰富，难度适中，推导翔实，语言流畅，强烈推荐你花2个月时间把这本书读完。
多视图几何
Multiple View Geometry in Computer Vision：这本书是多视图几何的圣经，意思就是说想搞三维重建或者图像测量之类的项目，这本书是必读的。它需要你有线性代数的基本知识，会SVD分解即可。第一版有中文版，翻译的非常好，但是已经绝版了，可以上淘宝高价买一本，第二版添加的内容很少，在网上可以下载到。
模式识别
模式识别核心就是训练一个函数来拟合手头的数据，如果数据的标签是离散的，称为分类问题，如数据的标签是连续的，称为回归问题；分类又分有监督分类和无监督分类，有监督分类器有神经网络、支持向量机、AdaBoost、随机场、树模型等等。当你拿到一大堆数据，需要从里面找关系的时候，一般都需要使用模式识别算法来训练一个函数/分类器/模型，因此模式识别是机器学习的核心。
《模式分类（第二版）》：这是一本适合普通读者阅读的教材，介绍了模式识别中经典的分类器，讲解细致，语言生动，难度适中，每一个算法都有伪代码。
The Elements of Statistical Learning：这本书使用严谨的数学工具分析模式识别算法，它比较难，但是非常深刻。每拿到一个模型它都会分析这个模型在数学上是如何构造的，并且推导模型的分类错误率。分析和推导是这本书的精髓。
Pattern Recognition and Machine Learning：这是一本从贝叶斯学派的角度分析模式识别模型的书，它使用的工具主要是概率论，比较难，非常深刻，内容非常丰富。
虽然这两本书很难，但是它们用到的数学知识不过是基本的概率论和线性代数，只是用的比较活，计算机视觉这个学科需要的数学知识也是这个水平。
图形学
图形学教材首先推荐《计算机图形学与几何造型导论》，这本书用流畅的语言介绍了图形学的基础知识，选材有趣，推导简洁但是绝不跳步走，保证你能看懂而且不会看烦。
光线追踪器我看过一本薄的《Realistic Ray Tracing》和一本厚的《Ray Tracing from the Ground Up》，两本书都有代码。后一本内容极其丰富，有中文版，翻译尚可。后一本唯一的缺点就是讲不清楚BRDF，但这恰恰是前一本的亮点。
还有一些比较偏的书，比如偏微分方程在图像处理中的应用、细分、压缩感知、马尔科夫随机场、超分辨率分析，概率机器人、多尺度几何分析，这些领域都有各自的名著，你在某个领域深挖的时候，类似这样的书可能会出现在参考文献中，那时再看不迟。
读文献
写到书里的知识基本上都有些过时，你得通过看文献掌握各个领域最新的发展动态。计算机视觉的顶级期刊有两个PAMI和IJCV，顶级会议有ICCV和CVPR，在科学网—[转载]计算机视觉方向的一些顶级会议和期刊有更加详细的介绍。
学习计算机视觉需要哪些知识储备？
图像处理的知识。图像处理大致包括的内容：光学成像基础、颜色、滤波器、局部图像特征、图像纹理、图像匹配等。计算机视觉是一门研究如何使机器“看”的科学，更进一步地说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
容联是专业的高科技信息通讯公司。容联以云化和智能化的方式，为企业客户提供全面的通讯服务。包括PaaS通讯能力（语音、短信等）、CC（云客服与云联络中心）、UC（IM即时通讯云、融合通讯、视频与会议）、行业新通讯解决方案和“通讯+AI”服务，助力企业提高沟通体验和经营效率，驱动中国企业通讯产业实现互联网化、云计算化、能力化、融合化和智能化。
计算机视觉需要学什么
学习计算机视觉需要具备的知识储备有：
1、图像处理的知识。图像处理大致包括的内容：光学成像基础、颜色、滤波器、局部图像特征、图像纹理、图像配等。
2、立体视觉的知识。立体视觉大致包括的内容：相机几何模型、双目视觉、从运动中恢复物体结构、三维重建技术等。
3、人工智能的知识。人工智能大致包括的内容：场景理解与分析、模式识别、图像搜索、数据挖掘、深度学习等。
4、与计算机视觉相关的学科还有：机器视觉、数字图像处理、医学成像、摄影测量、传感器等。
