L1 课程简介和环境准备
1、课程简介
算法设计是典型的经验工程，不仅需要工程师对问题本身有准确的认识、对函数库工具有熟练掌握，而且需要在算法实现过程中摸索出调优套路。这个道理和“如何写优秀的代码”是一样的，我认为最好的方法就是去学习成功的经验、在模仿的基础上进行扬弃。现实的需求是多种多样的、工具本身也在不断变换，唯有分析问题的思路和解决问题的信心毅力，是可以通过不断的项目实践进行积累的。
由于工作等原因，我较为独立地接触、解决过一些问题，也重复认识到算法设计是一个复杂过程，想通过一个现成函数就解决问题基本是不可能的。在探索的过程中，基础的方法是高中物理中学到的“控制变量法”，也就是逐步量化重点，最终通过搭建PiPline接近目标。这个过程反反复复，甚至若干时间之后重新回顾代码，发现之前的步骤中有许多可以优化的地方，应该可以做到更好。
本门课程，就是我回顾过往代码的一类成果。这一次，我选择“钢管识别”“血管识别”和“毛发识别”3个识别算法来进行讲述。从名字上很容易看出，这三个都是识别算法，目的都是计数和测量，只是解决的对象不一样，这就为我们课程内容提供了较大空间。需要注意的是，由于采集硬件等条件不同，这里的专用算法一般不能直接复用，但是这并不妨碍我们课程的重点，那就是通过对过往算法的重现，分享我对专用算法设计实现的心路过程，从而帮助你设计出解决自己问题的算法。由于个人见识和经验有限，课程中肯定存在错误和偏驳，希望能够以批判的眼观看待，最后期待你的关注。
2、内容组织
课程的重点是3个识别算法，他们既有类似的地方又有自己的个性。因此在内容组织这块，计划采取模块化和HeadFirst的方式。每一个子模块包括需求分析、结果展示、解题思路分析、技术细节讲解和最后的集成调优。3个识别算法之前是解释算法设计的基本思路，在全部介绍完成后会有对比。我想通过一张图来进行说明最为清晰。虽然3个算法目前我已经有解决方案，但是为了方便描述，我会同步提供实际采集的少量数据，并根据实际数据进行参数优化。目前只是初步设想，在实现过程中可能会有所变换。
3、环境准备
为了适应当前现状，算法一定是同步提供C++和Python的，因此在实现过程中我们同时提供。由于目前我掌握vsstudio+imagewatch提供了更为方便调试环境，所以在描述过程中更多地会看到这个环境。这里将课程使用环境安装方法进行简要解释。
4、浅谈学习过程
反思自己如何一步一步学习起图像处理的，和本门课程很契合，分享给大家：
第一个阶段，从不了解到了解
刚开始做图像处理用的是halcon，halcon的官方自带的算子和例程很多，然后就想办法融合到csharp中去，就能够得到完整的程序。实际上，我一开始使用halcon来做图像拼接，但是halcon的版权的呀，还有和界面的交互的问题也多，苦恼时看到一本书，叫做《学习OpenCV2》，听老师傅说这个很厉害，翻了一翻——完全看不懂呀！
第二个阶段，模仿积累自己的东西
如何自学OpenCV，关键是模仿。一开始不是看《学习OpenCV2》，而是其他书。我采用的方法是在当当、china-pub中搜索opencv这个关键字，然后找到所有已经翻译成中文的opencv方面的书，然后再亚马逊上面搜索opencv，再找到那些还没有翻译的原版。基本上，OpenCV相关的书英文的我都有，比较重要的有中文的。书拿到了，我认为比较高效的方法就是——快速过一遍，有了基础；然后跑里面的例子，增加感性的认识；然后再根据需要重构，反复反复。形成自己的基础算法库GOCVHelper，能够复用一些常用的功能。结合实际工作，比如做工控方面程序，总要是和界面进行沟通，用过MFC、WinForm和QT、手机端和webapi，在现实项目中积累经验。
第三个阶段，算法设计解决实际问题
做到这个过程，还只是使用OpenCV做项目。但是随着项目的深入，很多时候客户的要求，不是有现成的算法的，也不是通过现有算法进行拼接能够解决的。怎么办？只能自己去研究，有一些问题是有论文的，也可能有书，运气比较好还有matlab代码；也会遇到了太少见了，论文也比较少。这个时候，需要的能力，还是最基本的英语和数学。但是就已经形成一定的竞争能力了，而且在这个过程中，很容易就形成自己“打磨算法”思维方式，对未知问题能够提出可行的思路。
下一个阶段，人工智能。现在随着深度学习的不断平民化，很多传统问题是否可以使用AI的方法进行解决？如何选择AI的框架和现有CV技术结合，这是下一步需要做的事。
