机器学领域的发展与如何学习计算机视觉

最近几年机器学领域迅速发展的原因主要有一下几点：

1. 互联网的快速发展，积累了大量的原始数据，包括图像，文本，影音等等。

2. 计算机硬件的飞速发展，内存，显卡等让计算能力大大提升。

3. 学术研究的突破。

4. 还有很多小白愿意学习这方面的技能

深度学习在很大成都上可以理解为表示学习，就是如何用数字来表示一个事物或者一群事物。这种用数字组成的东西，常常也被叫做特征。因此深度学习也常常被成为特征学习。

图像相关的内容

在计算机中，图像的最基本组成单元为像素，图片是包含很多像素的集合。

像素一般就是图片中某一个位置的颜色，很多个像素点排列起来就组成了一个二维点阵，也就是图像。

我们常说的分辨率：1920px × 1080px，就意味着有1920×1080个像素，1920列，1080行。

图像表达通常采用色彩空间的概念，常见的有RGB，LAB，HSL和灰度等。而OpenCV注意关注的就是RGB和灰度这两种。

RGB:就是我们常说的红，绿，蓝

图像分为两类：

1. 模拟图像：人类认知的图像，它的像素值域是连续的。

2. 数字图像：计算机所认知的图像，它的值域是离散的。

计算机视觉主要研究的就是数字图像。

在计算机中灰度图中的像素通常用0~255之间的整数表示.

0：黑色

255：白色

RGB彩色空间则使用三个整数来代表一个像素，如果(0,100,200)它们的取值范围和灰度一样也是0~255，数值越小代表颜色越浅，数值越大则代表颜色越深。

0：红色的值

100：绿色的值

200：蓝色的值