关于机器视觉学习路线的问题?

很多人认为机器视觉和计算机视觉是一个概念，其实还是不一样的。一般来说，机器视觉就是用机器代替人眼进行测量和判断，侧重于工程实用性，实时性，高精度等。计算机视觉是一个通过技术帮助计算机“看到”并理解数字图像内容的研究领域，例如理解照片和视频的内容。侧重于理论和算法。

这么说好像有点不好理解，那我从其他方面讲一下。

机器视觉要考虑的很多问题，其实还不是算法问题，算法是很重要，但对于很多机器视觉任务来说，其实最重要的是整个系统如何组织和运行。比如在什么平台上？在什么环境下？需要达到什么精度和速度？类似于光源、镜头、相机、相机-计算机接口这种问题，在计算机视觉里，都是基本上不怎么考虑的问题。但实际上，这种问题恰恰是机器视觉系统中很重要的问题。

至于题主说到的OpenCV，其实机器视觉领域用得最多的软件应该不是OpenCV，而是Halcon。虽然知道OpenCV的人比知道Halcon的人多多了，但实际上，Halcon才是最适合做机器视觉的软件，这是由它的定位决定的。

在机器视觉行业，从易用性来说，Halcon比OpenCV好用多了。当然OpenCV有很多自己的优势，比如开源，比如丰富的算法，但体现在机器视觉领域会比较少一些。

所以如果你真的想学习机器视觉，我觉得从Halcon开始是比较合适的。当然最好是以项目驱动的方式来学习，这样一个流程走完后，应该就会对机器视觉有所了解了。

如果是想快速解决某个问题，用Halcon做好算法以后，可以生成各种所需语言的代码，比如C，C++，C#，然后也很方便地集成到目标系统中。

至于选择集成到用什么语言的软件，如果是Windows平台的话，C#可能是最容易学的，而且不容易出错，对新手非常友好。C++的话，建议选Qt而不是VC++。

机器视觉的书籍，只推荐一本，这本书对于机器视觉来说，非常经典。虽然比较古老，但并不过时。即使你只想学习OpenCV，那这本书其实也很有启发性。

本作品采用《CC 协议》，转载必须注明作者和本文链接