图像处理有哪些经典算法？
我的研究方向就是图像处理与计算机视觉，图像处理(image processing)是指使用计算机对图像进行各种加工分析来改善图像的外观，以达到所需结果的技术，一般指数字图像处理。处理的目的是使输出图像具有更好的效果，以便于人的观察，也是图像分析和图像识别做准备，此时图像处理是作为一种预处理步骤，主要包括图像几何变换，图像增强，图像去噪，图像压缩，图像复原，二值图像处理、图像分割以及特征提取等等。
下面我将简单介绍一下这几个方面以及用到的经典图像处理算法。1. 图像几何变换图像几何变换又称为图像空间变换，它将一幅图像中的坐标位置映射到另一幅图像中的新坐标位置。几何变换不改变图像的像素值，只是在图像平面上进行像素的重新安排。主要包括平移、镜像、旋转以及缩放等等。这些操作就会用到一些插值算法，经典的插值算法主要有最近邻插值、双线性插值以及高阶插值算法。
2. 图像增强图像增强是指根据特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要信息的处理方法。处理的目的就是消除噪声来改善图像质量，主要包括空间域增强和频率域增强两种增强技术。空间域图像增强技术主要包括直方图修正、灰度变换增强、图像平滑化以及图像锐化等，经典的算法有通过直方图均衡化来增强图像对比度。
频率域增强主要通过某些变换手段，比如傅里叶变换、离散余弦变换以及小波变换等，在频率域对图像进行分析，经典的算法就是小波变换，应用很广泛。3. 形态学图像处理形态学，即数学形态学是图像处理中应用最为广泛的技术之一，其主要应用是从图像中提取对于表达和描绘区域形状有意义的图像分量。使后续的识别工作能够抓住目标图像最为本质的形状特征，茹边界和连通区域等。
二值图像的基本形态学运算，包括腐蚀、膨胀、开运算以及闭运算，经典应用包括击中击不中变换、边界提取和跟踪、区域填充、细化和像素化、提取连通分量等。在我的研究课题中经常用到这些基础的图像处理算法。4. 图像分割图像分割是指将图像中具有特殊意义的不同区域划分开来，这些区域是互不相交的，每个区域满足灰度、纹理、彩色等特征的某种相似性准则。
图像分割是图像的分析过程中最重要的步骤之一，分割出的区域可以作为后续特征提取的目标对象。主要包括的方法有边缘检测、阈值分割、边界跟踪、区域生长。区域分离和聚合等，这其中有很多的经典图像处理算法，例如canny边缘检测、拉普拉斯边缘检测算法、OTSU大津法阈值分割、区域生长算法等等。5. 特征提取算法特征提取就是从图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，如数值、向量、符号等，而提取出来的这些“非图像”的表示或描述就是特征。
图像特征有好多种，比如基本的统计特征（周长、面积、均值等区域描述子）、直方图和灰度共现矩阵等纹理特征、亮度、色彩、边缘等等。图像特征提取有很多经典的算法，比如PCA算法、LDA算法、LBP特征、灰度共生矩阵算法、SIFT特征算法、HOG特征算法以及现在最前沿的神经网络算法等等。6. 机器学习经典算法另外，机器学习中最经典的算法有决策树、随机森林算法、逻辑回归算法、SVM算法、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost 算法、神经网络算法、马尔可夫算法等。
读研如何学习好图像处理的算法？
首先感谢悟空问答的邀请，如果您本科有一定图像处理基础，可以考虑高阶一些的知识学习，但是更建议从最基础的学起。以我自身为例，我本科是学软件的，可以说除了编程和图像算法要求的技能基本不搭边，而且当时我的研究方向还是遥感图像降维及压缩，相对其它方向算是个比较窄的领域，刚读研一时，也是一头雾水，啥也不会，无从下手，又没有前辈指引。
后来导师给了个课题，自己就沿着这个主线找资料，看论文，补自己缺失的基础知识例如:图形图像处理，信号处理，模式识别，特征工程等。有了这些前期的储备(大概用了一年时间)，才在研二发表了相关领域小论文，得到了计算机学报上的认可。所以，如果您和我一样，是个无基础的研一新生，可以分步渐进学习，从最基础的图像处理学起，同时多做实验(图像处理这门课很重视实验的)，多思考，这样你就打好了地基。
之后需要有一个明确的方向，因为图像算法太广泛了，谁也不可能都精通，多看相关方向经典及前沿论文，复现论文成果(推荐国外论文或国内三大学报)，在这个过程中你将更深刻的理解你的方向。最后就是提出疑问，解决问题，掺杂个人创新点，这样你不但学会了基本的技能对于你以后工作十分有用，而且也通过发表论文，提高了你的思辨能力，这个在以后的工作和研究中就显得相当重要了。
图像算法处理的一般步骤是什么？ ？
图像处理一般步骤： 1、图像获取：提取原始图像，对图像预处理。 2、图像增强：滤波，以对问题的主观判断，对图像进行操作，使得图片比原始图像更适合处理。 3、图像复原：改进图像外观，与图像增强相比，图像复原指的是客观处理图像。 4、边缘检测：分析图像，进行目标定位、匹配分析。 5、图像分割：将一幅图像划分为他的组成部分或目标。
数字图像处理算法工程师需要哪些技能？
图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。所以数字图像处理算法工程师要依靠计算机，使用编程语言，利用数字图像处理技术对相应的问题进行解决。个人认为成为一个算法工程师应该掌握以下技能。编程语言作为一个算法工程师，掌握相应的编程语言是必须的。而数字图像处理这一领域，最应该掌握的就是C/C 语言了。
C语言和C 语言面向底层，占用资源少，速度快。这使得它们成为数字图像处理领域使用的最多的语言，所以掌握并且熟练使用C语言和C 语言是必不可少的。同时，由于各种算法库、框架存在的原因，还应该掌握一些高级编程语言，如python。因为这些库和框架都会有一些高级语言的接口，如果你想更全面的使用这些轮子，那么你就应该掌握这些高级编程语言一些软件的编程语言也应该掌握，比如说Matlab语言。
Matlab本身作为一款数学软件，有强大的功能来对数字图像进行处理，是学习和实验中经常会用到的软件。鉴于此Matlab语言也应该学。数字图像处理的知识数字图像处理作为一门单独学科，已经有几十年的发展历史了。期间诞生了大量的研究成果，这些成果很多都被应用在了实际的生产实践当中。如果你想从事数字图像算法工程师的职业，那么这些知识你是必须要掌握的。
比如说图像的灰度变换；图像的滤波；图像的复原与重建；图像的形态学的处理；小波和多分辨率的处理；图像的压缩技术；图像的分割；目标识别等等。这一部分应该是属于图像处理领域从业人员压箱底的技术，也是最应该掌握的技术，如果你没有学过数字图像处理，那么你就不能算是数字图像处理工程师，所以应该不遗余力的将它学会。
算法库和深度学习框架准确而熟练的利用其他人的库是一名合格程序员的必备技能。数字图像处理领域有一些功能强大的算法库，比如opencv和Halcon。这些算法库不断迭代，已经成功的应用在了很多产品当中。不过opencv是开源的，可以免费使用。而Halcon则需要付费。深度学习的框架也应该掌握，比如说Caffe ,它本身就很适合处理一些图像应用。
现在的人工智能这么火热，掌握一个可以应用于图像处理的深度学习框架很有必要。英语技能从事数字图像处理，经常要直面一些英文文档，所以英语水平也是有一定要求的。当然，这里的英语能力不一定是说要你听说读写样样精通，但是阅读英文文档的能力还是要具备的。而且，要掌握一些必要的专业词汇。可能有时候一个单词有好几种意思，在数字图像处理领域它是什么意思，要能准确翻译。
如若不然，翻译偏离了原意，可能会出很大的错。算法知识数字图像处理由于计算量大，算法知识的掌握就显得很重要。很多时候图像处理要求在短时间内进行大量的数据运算，那么如何设计程序是的它运行时间可以达到实际工作的要求，算法知识不可少。一些新的理论与方法一些比较新的理论与方法在这几年的时间理成功的大量应用，并且取得了不错的成绩。
比如说卷积神经网络和深度学习。它们出现，解决了一些数字图像处理领域在以前难以解决的问题。而且这些新理论新方法发展还很迅速，基于这些新方法的新的应用不断出现。要是想往行业前沿领域发展，卷积神经网络于深度学应该掌握。摄像头与打光打光图像算法工程师并不仅仅是和代码打交道，如何去获取合适的待处理的图像的任务，有的时候也会落在图像处理工程师的头上。
要获取适宜的最容易处理的图像，不仅需要数字图像处理的知识，还应该对一些相机有所了解，这里的相机并不是我们普通人使用的照相机，它指的是工业相机。对打光要有所了解。不同的光源照射待拍摄物体，可以采集到包含不同信息的图像。利用合适的光源采集图片，可以使数字图像处理变得容易。硬件知识数字图像处理的应用很多时候实在嵌入式设备上运行的，对嵌入式设备和它的硬件知识要有所了解。
