一个图像项目的可能性处理方式

╰半夏微凉° 2021-12-20 09:57 124阅读 0赞

版权申明：本文为博主窗户(Colin Cai)原创，欢迎转帖。如要转贴，必须注明原文网址
    
    　　http://www.cnblogs.com/Colin-Cai/p/10631150.html 
    
    　　作者：窗户
    
    　　QQ/微信：6679072
    
    　　E-mail：6679072@qq.com

随着深度学习的发展，图像、声音的识别几乎都是它的天下。但深度学习需要很大的空间来存储参数，而且推理的时间与所使用的硬件关系很大，于是对于成本是有很大的要求的，对于很多项目未必值得这么做。

虽说现在是AI时代，但是对于图像处理，那些传统的图像处理技术依然有很大的用处。

**场景**

以下这样的场景可能用于一些诸如仪表的采集改造。

![1151747-20190331132515172-169774422.png][]

探测节点可能是在原有的老式机械设备上加图像检测设备，为了成本考虑，使用慢速的通信，而仪表种类太多，算法并不统一。

**算法传递**

我们假设通信网络的传输速度很慢，杜绝了图片上传的可能性。而又因为仪表种类可能较多，算法不统一，我们在部署之前可能无法把所有的仪表处理算法步数到探测节点上。

可以借用大数据框架Spark的手法，Spark计算中尽量不传递数据而更多情况只传递算法。此处也可以这样借用，当探测节点拍到照片时，计算照片的一些特征，这当然要比照片小的多，然后将特征传递给服务器，服务器再将图片处理算法发送回来。这种算法询问可能很少发生，因为拍摄的仪表基本上不会换。

于是服务器端应该有个对于图像特征的分类器，我们可以基于颜色、灰度的统计，这个即使用KNN这样的手法其结果都是很不错的，计算量也并不大。

**图像算法**

传统的图像算法基本都是基于数字信号处理的理论，当然也有其他方面，比如时域上的连通图，霍夫变换(Hough Transform)等。然后无论如何，这些单个的图像处理都很容易设计成数据\->数据的纯函数形式。特别的，图像算法中，卷积就是一大类，很多情况都可以用卷积做出来，此处甚至可以柯里化(Curring)，将卷积和卷积核分离出来。于是，我们可以在无副作用的情况下进行传统图像处理计算，那么当然，我们可以光明正大的引进函数式编程(Functional Programming)。实际上，传统图像算法是非常适合函数式编程的。函数式编程对于分布式有诸多好处，Spark也是采用Scala来作函数式编程。

不要小看函数式编程，对于图像处理来说，一样可以分支处理而没有压力，并且表达比过程式要简洁许多。

**压缩**

压缩是在于硬件无论从处理还是通信上都是小尺寸的，其实引入函数式编程就是为了压缩。我们可以把基本的一些图像算法实现在探测硬件上，然后给各个算法编号，乃至最终将函数式编程的算法压缩到二进制。压缩到二进制不仅仅缩小了通信传递算法的尺寸，在压缩掉冗余的同时也简化了探测节点端的处理程序。

**结束**

以上给出了一些特殊场合的应用解决可能，我总觉得呢，技术不是死的，任何技术也不是万能的，技术淘汰也只是相对于当前的大多应用场合下，任何技术都可能在特定场合下焕发生机。

转载于:https://www.cnblogs.com/Colin-Cai/p/10631150.html

[1151747-20190331132515172-169774422.png]: /images/20211220/e3ec8c4332b04fe3821ac6091aff52bc.png