數據“爆炸”的大數據時代，當下環境中存在著大量的圖片和視頻內容，這些內容亟需理解并在其中找出模式和總結規律。而研究如何用機器“看”的科學——計算機視覺（Computervision）就是一種簡便的、能夠智能化地完成這一任務的最佳科學?，F在大圣眾包威客平臺以7步為你備戰計算機視覺學習。

Step1——學術基礎

萬事開頭難，從零開始更難，尤其是對于計算機視覺這種與其他科學交叉較多的領域來說。具備一點如概率學、統計學、線性代數、微積分（微分與積分）等相關課程的學術背景，對學習計算機視覺大有裨益。要是想在日后更容易理解計算機視覺的一些概念，提早對矩陣計算和數字信號處理進行學習，會學得更加輕松。所以說，打好基礎非常重要。

【Tips—工具/視頻/書籍推薦】：要時刻記住，計算機視覺幾乎全部與計算機編程有關，所以，在工具使用方面，建議掌握MATLAB或Python中的一種。自修視頻，可以選擇在Coursera上選修《概率繪圖模型》一課，盡管這門課程相對較難，但它的深入度也讓人感到十分痛快。

Step2——數字圖像處理

數字圖像處理與計算機視覺的理念在某些方面有著重疊的概念，所以，掌握數字圖像處理對學習計算機視覺十分重要。

【Tips—工具/視頻/書籍推薦】：Gonzalez與Woods編寫的《數字圖像處理》（《DigitalImageProcessing》）一書，是業內眾人皆贊的推薦書籍，你可以運用MATLAB來運行其中所提到的范例，多動手學以致用。另外，想要聲色俱備地學習，建議在Coursera或YouTube上搜索相關的課程視頻自學，如《圖像和視頻處理：從火星到好萊塢》（《ImageandVideoProcessing:FromMarstoHollywoodwithaStopattheHospital》）。此課程所提供的教學大綱，每章都是獨立的，并且包含大量的練習，理論與實踐結合讓你進步更快。

Step3——數學模型的應用

學習完有關數字圖像處理的有關內容，下一步，應該了解相關的數學模型在各種圖像和視頻內容中的應用方法了。此時，你離計算機視覺越來越近了。

【Tips—工具/視頻/書籍推薦】：在網上搜索佛羅里達大學的MubarakShah教授在計算機視覺方面的課程也是一個很好的選擇，它幾乎涵蓋所有的基礎概念，是一門很好的入門課程。另外，值得借鑒的還有Gatech的JamesHays教授的計算機視覺項目課程，因為課程中涉及的概念和算法，都是基于MATLAB的，隨手練習你才會對這些算法和公式有更深入的了解，這樣可以增強你的實戰功力。

Step4——計算機視覺進階

在認真學習前三步的內容后，高級計算機視覺相關學習漸漸為你敞開大門了。到了這一步，開始越來越有趣了，但同時，你也會感受到用簡單模型構筑機器視覺系統是有多么的復雜。但是理解透徹后的成就感會淹沒一切煩躁的心情，并且，恭喜你離接觸學術論文又邁進一大步了。

【Tips—工具/視頻/書籍推薦】：繼續以視頻為學習資源，《人工視覺中的離散推理》（《DiscreteInferenceinArtificialVision》）課程——來自巴黎中央理工學院的NikosParagios和PawanKumar，它能為你帶來大量的概率圖形模型相關和計算機視覺相關的數學知識，視頻內容有趣豐富，讓你欲罷不能。

Step5——引入Python和開源框架

還記得“計算機視覺幾乎全部與計算機編程有關”嗎？這一步我們要引入Python編程語言和開源框架了。對Python而言，現在就是將如PIL、vlfeat、OpenCV這樣的相關擴展包運用到項目中的最佳時機了。

【Tips—工具/視頻/書籍推薦】：如果需要參考資料的話，建議熟讀《使用Python對計算機視覺進行編程》（《ProgrammingComputerVisionwithPython》）一書。當然，不要忘了結合MATLAB和Python去實現你的算法，多勞才能多得。

Step6——機器學習與CovNets（卷積神經網絡）

上文提到，計算機視覺是一門與多學科交叉的領域，在以上5步的基礎下，現在要開始主攻機器學習和CovNets了。

【Tips—工具/視頻/書籍推薦】：機器學習是一門相對獨立的學科，你可以在網上查找到大量相關的教程以自學。另外，《使用Python建立機器學習系統》（《BuildingMachineLearningSystemswithPython》），以及《Python機器學習》（《PythonMachineLearning》）這兩本書，也應該深度研究一下，因為從現在開始，你最好訓練自己一直使用Python進行編程了。在深度學習大行其道的今天，你還可以試著學習CovNets在計算機視覺中的應用，視頻方面推薦斯坦福的CS231n課程：《針對視覺識別的卷積神經網絡》。

Step7——更上一層樓

盡管可能你會覺得要學的知識實在太多了，但是，相信計算機視覺的趣味性仍然吸引著你向前邁進。

【Tips—工具/視頻/書籍推薦】：想要進一步進行探索研究，理解當下計算機視覺研究方向的最新概念，可以看看由多倫多大學的SanjaFidler和JamesHays所舉行的一系列研討會課程。另外，研究BMVC、CVPR、ECCV、ICCV這些頂級的學術會議的相關學術論文，通過會上的研討會、主旨演講以及tutorial等日程，將會對你大有裨益。

想要學習計算機視覺這一并不獨立的學科，難免要對相關的人工智能、數字圖像處理、機器學習、深度學習、模式識別、概率圖模型、科學計算以及一系列的數學計算等進行深入的研究。在知識就是力量的共享經濟社會，希望你能夠克服重重困難，早日學有所成。

（更多大數據與商業智能領域干貨、兼職機會及行業資源分享等請關注大圣眾包平臺，或添加大圣花花個人微信號（dashenghuaer)，拉你入bigdata&BI交流群330648564。)