「成長指南」大佬是怎樣煉成的

圖像處理算法工程師職位要求

編程技能：
一、 具備較強的編程能力和良好的編程習慣， 精通c/c++編程，並熟練使用VS 或matlab開發環境；
二、 在計算機技術領域擁有紮實的技術功底，尤爲在數據結構、算法和代碼、軟件設計方面功力深厚； 對數據結構有必定的研究基礎如鏈表、堆杖、樹等，熟悉數據庫編程；
三、 出色的算法分析能力，對某一特定算法能夠作普遍的綜述，有實際算法實現經驗；
四、 熟悉面向對象編程思想，精於windows下的C/C++、VC++程序設計，熟悉MATLAB，對MFC有相對的瞭解和應用經驗；

專業技能：
一、紮實的數學功底和分析技能，精通計算機視覺中的數學方法；

高等數學(微積分)、線性代數（矩陣論）、隨機過程、機率論、

 攝影幾何、模型估計、數理統計、張量代數、數據挖掘、數值分析等；

二、具有模式識別、圖像處理、機器視覺、信號處理和人工智能等基礎知識；

對圖像特徵、機器學習有深入認識與理解；

三、精通圖像處理基本概念和經常使用算法包括圖像預處理算法和高級處理算法；

常見的圖像處理算法，包括加強、分割、復原、形態學處理等； 
 熟悉常見的模式識別算法，特別是基於圖像的模式識別算法，掌握特徵提取、特徵統計和分類器設計；

四、熟練使用OpenCV、Matlab、Halcon中的一種或一種以上工具庫；

五、熟悉機器視覺系統的硬體選型，包括CCD相機，鏡頭及光源；熟悉相機與鏡頭搭配；

外語：

1. 英文熟練，可以熟練閱讀和理解專業英文資料，有英文文獻檢索和閱讀能力；
2. 良好的英語溝通能力

綜合能力：

1.對工做認真負責，積極主動，勤奮踏實；

2.作事嚴謹，注重細節，有耐心，可以在壓力下獨立工做；

3.學習鑽研能力強，有較強的理解能力和邏輯思惟能力和良好的創新意識；

4.良好的協調溝通能力和團隊合做精神；

經驗要求：

1.兩年以上C/C++ 程序設計經驗；

2.具備2年以上在Linux／Unix環境下用C/C++語言開發圖像處理軟件的經驗。

3.數字圖像處理、模式識別的理論知識和實踐經驗;

有基於OpenCV開發項目經驗，機器視覺行業經驗;

具備圖像處理算法設計和開發經驗;

參與過機器視覺系統分析和設計;

1. 在Matlab 或其它數學軟件上開發算法的經驗;

視覺算法經驗：請提供實現的算法列表

目標識別、圖像配準、三維測量、標定和重建、手勢識別； 

表面缺陷檢測；尺寸測量；特徵識別；

圖像去噪、濾波、融合算法
3A算法：如自動曝光、自動對焦、自動白平衡

【工做內容】：

1.爲解決實際問題而進行探索性研究和創新，設計與模式識別、圖像/視頻智能分析處理相關的算法。

圖形圖像處理、計算機視覺相關算法的研發以及應用程序的編寫；

參與核心軟件項目算法設計及算法實現；研究圖像處理算法，開發和調試算法原型

軟件算法研發：算法的代碼實現、優化以及移植及其測試;

負責機器視覺系統圖象處理、分析及識別算法的設計、實現及調試;

參與圖象算法視覺應用軟件的設計與實現。參與圖象處理技術研究與設計;

二、對已有的計算機視覺算法進行實用化開發和優化研究；
精益求精，將算法作到極致，使算法真正實用化；

參與預研性的算法分析和論證,爲產品開發提供基礎研究及論證；

崗位職責：

一、 協助工程師進行算法的測試.；C++語言驗證、測試算法；
二、編寫算法規格說明；
三、相關專業文獻的查閱；
四、將部分matlab程序轉爲C或C++語言程序。

1) 輔助圖像處理工做
2) 大規模圖像蒐集與分類
3) 與開發人員等進行溝通，跟蹤產品的體驗效果並改進；
4）負責公司的機器視覺與傳感器項目的技術支持（如項目可行性評估、現場DEMO、裝機、培訓等）

和 維護工做;

崗位職責：

一、負責計算機視覺中的圖像採集，處理面陣和線掃描相機的成像和控制 ；
二、針對特定的計算機視覺問題，設計目標識別與快速定位與檢測算法的實現，並進行優化；
三、對彩色圖像和灰度圖像實現物體表面的污點劃痕檢測算法設計和實現；
四、處理三維物體表面數據獲取和實現三維測量算法的實現；
五、處理點激光和線激光源的成像，散斑噪聲濾波和輪廓檢測；
六、負責算法與軟件GUI開發工程師接口;

圖像算法工程師三重境界

1、傳統圖像算法工程師：
主要涉及圖形處理，包括形態學、圖像質量、相機成像之3A算法、去霧處理、顏色空間轉換、濾鏡等，主要在安防公司或者機器視覺領域，包括缺陷檢測；

2、現代圖像算法工程師:
涉及模式識別，主要表現的經驗爲Adaboost、SVM的研究與應用，特徵選取與提取，包括智能駕駛的研究與應用、行人檢測、人臉識別；

3、人工智能時代圖像算法工程師：
深度學習，主要在大型互聯網公司或者研究所機構，具體體如今TensorFlow等開源庫的研究與應用，包括機器人的研、基於深度學習的人臉識別；

理論基礎

1）opencv。不管之後是否使用opencv，咱先用着玩起來。找本書跟着寫寫demo，而後本身作點小應用，雖然一直在調用api可是大概知道圖像處理是個什麼玩意兒。（固然期間配合着能夠學學C++或者Python） 2）岡薩雷斯的數字圖像處理 + opencv部分源碼。調了這麼久的api，是否是已經慾求不滿了？因此咱們開始研究算法吧，這時候對於一些經常使用的函數，咱們能夠去看看對應的實現，以及在理論上究竟是個什麼意思，爲何須要這樣。記住是opencv的部分源碼，不是讓你去通看，看着看着就沒興趣了，並且也迷失了方向。 3）數學。 對於算法走到後來就是不少數學的東西，對於這些我推薦的仍是差哪兒補哪兒，哪兒不懂學哪兒。而不是抱着幾門公開課，厚厚的書啃，這樣就又迷失方向了，記住咱們是要學圖像處理的。 4）項目實踐。這個不用多說，找點實際問題去解決會進步很快哦。 當這兒，咱們已經對圖像處理有了一個熟悉感了，可是可能會以爲有些雜，這時候就是靜下來系統的看看岡薩雷斯那本書了，慢慢的就會有一種通透的感受。（我也沒達到通透。。。） 以上就是傳統圖像處理算法的路子了。如今還有很火的 機器學習和深度學習 作圖像處理的。大概路子差很少，學的東西不太同樣。 1）Keras/Caffe/Tensorflow/Mxnet等等 深度學習庫或者scikit-learn 機器學習庫。語言推薦python，深刻底層後也須要C++。DL庫強烈推薦Keras上手，很是快。 2）深度學習方面的書比較少，主要仍是以 論文 爲主吧，多看總有益。機器學習的書籍：國內：《統計學習方法》（滿滿的乾貨），周志華的《機器學習》，國外的《An Introduction to Statistical Learning 》《ESL》《PRML》等等，固然看英文的可能比較辛苦。 3）由於這方面比較火，因此網上公開課也很多。Ng大神的《Machine Learning》，林軒田的《機器學習基石》《機器學習技法》，HInton的《Neural Network for Machine Learning》，任選其一學習便可，英文稍差能夠看林軒田的，臺灣人，說的是中文。 4）數學。線性代數，矩陣論，機率論，數理統計都會用到的。學習方法仍是如上所說。 5）學ML/DL切忌紙上談兵，多實踐。網上找點數據集，各類模型本身跑跑試試，改改，這樣才能理解透徹。