图像处理考研方向

研究生往图像处理方向发展，从原则上来说，需要学很多编程开发的语言。java, vb, python, r, c++, matlab等。以下是一些需要用的软件：1、visual studioMicrosoft visual studio community 15/17(一般简称vs)，号称宇宙第一的ide，可不是浪得虚名。在这里推荐的是免费的社区版，可以说兼具所有ide 的优点。缺点是庞大臃肿(安装内存大)，但是后台占用很良心。除了基本的c语言外，还可以开发c++,c#,asp等，现在许多公司和个人在都使用它，既方便团队协作，开发效率还高，使用起来很方便。2、code blocks也是一个开源(open source)的ide，可跨平台(cross platform)，也就是说windows，linux，macOS都可以使用。支持C99新标准，安装包小巧，包含所有组件大小才90多M，自带mingw编译器，支持语法彩色醒目显示，支持代码完成，支持工程管理、项目构建、调试等功能。配置也很方便，有简单的关键词提示，官方没提供中文版，但是有第三方汉化包。3、clion这是一款专业的C/C++编程软件，jetbrains公司的产品，同类型的idea、pycharm等，大家应该都非常了解。它支持智能补全、语法提示、代码高亮等常见功能，此外还兼容cmake、代码重构等高级功能，因此开发效率更高，也更适合专业开发者，但缺点就是软件本身不免费，需要付费购买版权。4、dev c++开源的c++ ide，一键下载安装，无需任何多余配置，有中文版本。主题多样，相当轻巧。自带有简单的GCC、GDB调试工具，可以直接编译运行C++程序，基本功能和早期的VC6.0非常相似，没有任何自动补全、语法提示和语法检查的功能，插件扩展也比较少，因此，对于初学者来说，非常锻炼基本功。扩展资料Visual Studio 2008为开发人员提供了在最新平台上加速创建紧密联系的应用程序的新工具，这些平台包括 Web、Windows Vista、Office 2007、SQL Server 2008 和Windows Server 2008。对于 Web，ASP NET AJAX 及其他新技术使开发人员能够迅速创建更高效、交互式更强和更个性化的新一代 Web 体验。Code::Blocks具有灵活而强大的配置功能，除支持自身的工程文件、C/C++文件外，还支持AngelScript、批处理、CSS文件、D语言文件、Diff/Patch文件、Fortan77文件、GameMonkey脚本文件、Hitachi汇编文件、Lua文件、MASM汇编文件、Matlab文件、NSIS开源安装程序文件。参考资料百度百科—Visual Studio百度百科—Code::Blocks

本科的时候应该学过信号与系统吧，那就直接看冈萨雷斯的DIP，跳过DSP

图像处理。目前在整个人工智能研发领域，图像处理是短板，这个领域会有非常大的潜力需要挖掘。人工智能方向比较宽，当然了你不喜欢图像处理，就选人工智能吧，将来博士的时候换研究方向也好。

大数据要更好一些，现在的趋势就是大数据，而图像处理只是一个视野比较窄的科目。如果你说你内向，想要报一个能够跟别人少沟通的专业的话，那是不可能的。仔细想想就知道，图像处理也是非常需要沟通的，通常都是要跟客户沟通，了解客户的需求，根据客户的需求不断改进等等，而大数据专业也是需要沟通。所以，沟通是不能逃避的。其实内向不是不能沟通，而是对沟通不感兴趣罢了主要我学电子的，学图像我可以直接报考本专业，好上手一点，学大数据，就只能再自学计算机专业课了，学习成本要高一点。一般考研计算机专业的竞争可能比电子还要激烈，这是我最担心犹豫的地方。

个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更高维的信号，从这个意义上来说，图像处理是整个信号处理里面就业形势最好的，因为你不仅要掌握（一维）信号处理的基本知识，也要掌握图像处理（二维或者高维信号处理）的知识。其次，图像处理是计算机视觉和视频处理的基础，掌握好了图像处理的基本知识，就业时就可以向这些方向发展。目前的模式识别，大部分也都是图像模式识别。在实际应用场合，采集的信息很多都是图像信息，比如指纹、条码、人脸、虹膜、车辆等等。说到应用场合，千万不能忘了医学图像这一块，如果有医学图像处理的背景，去一些医疗器械公司或者医疗软件公司也是不错的选择。图像处理对编程的要求比较高，如果编程很厉害，当然就业也多了一个选择方向，并不一定要局限在图像方向。下面谈谈我所知道的一些公司信息，不全，仅仅是我所了解到的或者我所感兴趣的，实际远远不止这么多。搜索方向基于内容的图像或视频搜索是很多搜索公司研究的热点。要想进入这个领域，必须有很强的编程能力，很好的图像处理和模式识别的背景。要求高待遇自然就不错，目前这方面的代表公司有微软、google、yahoo和百度，个个鼎鼎大名。医学图像方向目前在医疗器械方向主要是几个大企业在竞争，来头都不小，其中包括Simens、GE、飞利浦和柯达，主要生产CT和MRI等医疗器材。由于医疗器械的主要功能是成像，必然涉及到对图像的处理，做图像处理的很有机会进入这些公司。它们在国内都设有研发中心，simens的在上海和深圳，GE和柯达都在上海，飞利浦的在沈阳。由于医疗市场是一个没有完全开发的市场，而一套医疗设备的价格是非常昂贵的，所以在这些地方的待遇都还可以，前景也看好。国内也有一些这样的企业比如深圳安科和迈瑞计算机视觉和模式识别方向我没去调研过有哪些公司在做，但肯定不少，比如指纹识别、人脸识别、虹膜识别。还有一个很大的方向是车牌识别，这个我倒是知道有一个公司高德威智能交通似乎做的很不错的样子。目前视频监控是一个热点问题，做跟踪和识别的可以在这个方向找到一席之地。上海法视特位于上海张江高科技园区，在视觉和识别方面做的不错。北京的我也知道两个公司：大恒和凌云，都是以图像作为研发的主体。视频方向一般的高校或者研究所侧重在标准的制定和修改以及技术创新方面，而公司则侧重在编码解码的硬件实现方面。一般这些公司要求是熟悉或者精通MPEG、H.264或者AVS，选择了这个方向，只要做的还不错，基本就不愁饭碗。由于这不是我所感兴趣的方向，所以这方面的公司的信息我没有收集，但平常在各个bbs或者各种招聘网站经常看到。我所知道的两个公司：诺基亚和pixelworks其他其实一般来说，只要涉及到成像或者图像的基本都要图像处理方面的人。比方说一个成像设备，在输出图像之前需要对原始图像进行增强或者去噪处理，存储时需要对图像进行压缩，成像之后需要对图像内容进行自动分析，这些内容都是图像处理的范畴。下面列举一些与图像有关或者招聘时明确说明需要图像处理方面人才的公司：上海豪威集成电路有限公司（[url]www.ovt.com.cn[/url]）中芯微摩托罗拉上海研究院威盛（VIA）松下索尼清华同方三星所有与图像（静止或者运动图像）有关的公司都是一种选择。比如数码相机、显微镜成像、超声成像、工业机器人控制、显示器、电视、遥感等等，都可以作为求职方向。要求：1、外语。如果进外企，外语的重要性不言而喻。一般外企的第一轮面试都是英语口语面试。2、编程。这方面尤以C＋＋为重，很多公司的笔试都是考c＋＋知识。3、专业水平。如果要找专业相关的工作，研究生期间的研究经历和发表的论文就显的比较重要。4、知识面的宽度。我觉得在研究生期间，除了做好自己的研究方向之外，扩宽一下知识面也有很大的帮助，当然这个知识面指的是图像处理、计算机视觉和模式识别，知识面越宽，就业时的选择就会越多。 图像处理方向毕业的就业面非常广，而且待遇在应届生应该是中上等。其实还是一句话，能力决定一切。只要研究生三年没有白过，根本不愁找不到好工作。祝所有正在读研或者即将读研的朋友将来都能有一份满意的工作

百度，腾讯，阿里有嵌入式工程师的，网络服务器这些也属于。图像处理算法的研究在企业也能找到工作，我觉得如果两者结合起来就完美了，我现在就属于这种。嵌入式，电子，图像处理，算法，不管哪个学好了，都很抢手。要精通，必须依靠很深数学功底，嵌入式，电子参加工作会进步较快，图像处理需要的专业知识挺多，是个很好的考研方向。不过西电最强的是电子和通信（包括嵌入式），在图像处理方面的积淀有待考证哦！

　　1、计算机应用技术　　研究方向：计算机网络、实时计算机应用、CIMS、计算机图形学、并行计算、网络信息安全、数据库、情感计算、数据挖掘、分布式计算、知识工程、计算机视觉、自动推理、机器学习、草图理解、网络性能分析与协议设计、网络管理与安全、计算机图形学、信息可视化、基于GPU的高性能计算、复杂系统(应急、物流、海洋)领域工程、基于SOA的空间信息共享与业务协同、语义搜索引擎、自然语言处理、机器翻译、搜索引擎、空中交通信息系统与控制、民航信息与决策支持系统、智能交通系统理论与技术等。　　专业特点：计算机应用技术是针对社会与各种企事业单位的信息化需求，通过对计算机软硬件与网络技术的选择、应用和集成，对信息系统进行需求分析、规划和设计，提供与实施技术与解决方案，创建优化的信息系统，并对其运行实行有效的技术维护和管理的学科。　　培养这方面人才所涉及的知识面包括：数学与信息技术基础、程序设计基础、系统平台技术、计算机网络、信息管理与安全、人机交互、集成程序开发、系统架构与集成、Web与数字媒体技术、工程实施、职业操守等。培养目标是为企事业单位和政府机构提供首席信息官及承担信息化建设核心任务的人才，并提供为IT企业提供系统分析人才。　　科研状况：本专业是天津市第一个计算机类博士点，主要从事计算机技术在其它领域应用中核心技术问题研究及相关信息系统开发。近年来在计算机集成制造（CIMS）、计算机辅助教学、虚拟现实技术应用、计算机工业控制、电子商务等方向承担国家863项目及重大项目、国家自然科学基金十余项。承担省部级及横向科研课题近百项。为国家和天津市的信息化建设做出了重要贡献。　　近几年报考简况：本专业从80年代初开始招生，至今已为国家培养出硕士学位研究生300多名。近年来，报考人数和录取名额逐年同步增加。　　硕士期间主要课程及论文要求：主要课程：高等计算机网络、计算理论、排队论及在计算机中的应用、应用组合数学、软件体系结构、面向对象方法学、分布式计算机系统、并行计算、高级计算机图形学、高级人工智能、模式识别与理解、机器学习、密码学与信息安全、统一建模语言。　　论文要求：论文选题涉及计算机在各领域应用的理论研究、尖端技术开发、以及在国民经济各个领域的应用研究。论文应能全面反映本学科发展动态、具有科学性、先进性和一定的创新性。对于理论研究课题，要求达到较高的理论水平和创新；对于系统设计、系统开发及系统应用课题，要求指导理论正确，实现技术先进，设计新颖，所设计的系统应能付诸实现、具有实际应用价值并能够带来明显的社会经济效益。 就业方向：本专业培养的研究生具有坚实的计算机科学与技术的理论基础，全面掌握计算机应用领域的理论和工程方法，能很好地胜任高等院校、科研院所、大型企事业单位、高新技术产业等的教学、科研、系统设计、产品开发、应用系统集成等工作。　　2、计算机软件与理论　　研究方向：计算理论、算法理论； 软件工程、中间件、智能软件、计算环境；并行计算、网格计算、普及计算；密码学、信息安全、数据理论；图形图象算法、可视化方法；人工智能应用基础；理论计算机科学其他方向。　　专业特点：计算机软件与理论专业涉及计算机科学与技术的基本理论和方法，强调计算、算法、软件、设计等概念，主要的领域包括计算理论、算法与复杂性、程序设计语言、软件设计与理论、数据库系统、人工智能、操作系统与编译理论、信息安全理论与方法、图形学与可视化计算、以网络为中心的计算等。　　科研状况：计算机软件与理论专业是我院重点发展，进步较快的专业。近年来承担国家863、自然科学基金、，以及省部级项目多项。在网络信息安全、中间件技术、并行计算、网格计算、计算机图形学等方面取得了多项前沿性成果。 近几年报考简况：本专业从96年代初开始招生，至今已为国家培养出硕士学位研究生50多名。近年来，报考人数和录取名额逐年同步增加。　　硕士期间主要课程及论文要求：主要课程：计算理论、应用组合数学、软件体系结构、面向对象方法学、分布式计算机系统、并行计算、高级计算机图形学、高级人工智能、模式识别与理解、机器学习、密码学与信息安全、统一建模语言。 论文要求：论文选题涉及计算机软件的理论研究、尖端技术开发、以及在国民经济各个领域的应用研究。论文应能全面反映本学科发展动态、具有科学性、先进性和一定的创新性。对于理论研究课题，要求达到较高的理论水平和创新；对于系统设计、系统开发及系统应用课题，要求指导理论正确，实现技术先进，设计新颖，所设计的系统应能付诸实现、具有实际应用价值并能够带来明显的社会经济效益。　　就业方向：本专业培养的研究生具有坚实的计算机科学与技术的理论基础，全面掌握计算机软件的理论方法，以及软件工程、信息系统、并行计算、普及计算等等的软件系统开发技术，能很好地胜任高等院校、科研院所、大型企事业单位、高新技术产业等的教学、科研、系统设计、产品开发、应用系统集成等工作。　　3、计算机系统结构　　研究方向：分布式计算机系统、计算机网络系统与全球个人计算系统、真实感图形生成与虚拟现实技术　　专业特点：计算机系统结构（原名计算机组织与系统结构）专业全面研究各种类型的计算机系统（从单机到网络）的构成、硬件与软件的联系与功能匹配、计算机系统性能评价与改进等。该专业的研究课题涉及高性能处理机系统结构、多机系统、并行计算与分布式计算系统、计算机系统性能评价、VLSL设计、容错计算技术、计算机接口技术、计算机网络系统与通信系统、移动计算、全球个人计算系统等。　　科研状况：本专业近年来承担多项国家科委、国家教委、国家计委及天津市自然科学基金项目，并有多项科研获奖。其中G.T9112计算机解密系统获北京市公安局科技进步二等奖，表面高度复杂实体的CAM获国家科委科技进步二等奖。目前承担国家自然科学基金项目“面向ASIC的真实感图形算法和系统结构的研究”、国家高科技863项目“用于建筑环境仿真设计的分布式多用户虚拟现实系统”、天津自然科学基金项目“分布式多用户VR开发系统平台的研究”和一大批为企事业单位开发的横向科研项目。　　近几年报考简况：本专业从80年代初开始招生，至今已为国家培养出硕士学位研究生50多名。近年来，报考人数和录取名额逐年同步增加。　　硕士期间主要课程及论文要求：主要课程：应用数学、外语、高等计算机网络、排队论及在计算机中的应用、计算理论、现代计算机体系结构、计算机综合实验、计算机控制及应用、计算机网络研究热点问题、计算机系统仿真、量子计算、密码学与信息安全、面向对象方法学、嵌入式系统设计、统一建模语言、图　　象/模式识别与理解、机器学习、软件体系结构。 　　论文要求：论文选题涉及计算机系统结构的理论研究、尖端技术开发、以及在国民经济各个领域的应用研究。论文应能全面反映本学科发展动态、具有科学性、先进性和一定的创新性。对于理论研究课题，要求达到较高的理论水平和创新；对于系统设计、系统开发及系统应用课题，要求指导理论正确，实现技术先进，设计新颖，所设计的系统应能付诸实现、具有实际应用价值并能够带来明显的社会经济效益。　　就业方向：本专业培养的研究生具有坚实的计算机科学与技术的理论基础，全面掌握计算机系统结构、计算机工程、网络工程、嵌入式系统等的应用开发技术、能很好地胜任高等院校、科研院所、大型企事业单位、高新技术产业等的教学、科研、系统设计、产品开发、应用系统集成等工作。　　计算机系统结构 02 网络与信息安全　　04 计算机通信，信息安全，多媒体信号处理 05 图形图像处理技术　　07 计算机图形图像处理技术、嵌入式系统 09 计算机网络与图形图像处理 10 计算机网络与信息处理　　11 输入输出技术与设备、图像处理与图像理解 12 信息安全理论与技术,嵌入式系统 13 网络安全　　14 信息安全与编码　　15 网络安全和网络计算 16 图形图像和外设　　17 计算机输入输出技术与设备、图形图像处理与理解 考试科目:　　①101政治理论②201英语③301数学（一）④431计算机基础(计算机基础包含离散数学45分；数据结构45分；计算机组成原理60分) 计算机软件与理论 02 面向对象技术　　04 软件安全与编译器体系结构 06 分布计算与互联网技术　　08 并行与分布计算，生物信息学算法 09 软件工程、信息系统 10 软件理论与应用　　11 高可信软件技术、互联网计算与互联网软件、可编程芯片支持软件和嵌入式系统　　12 软件测试与自演化技术 14 程序理解、软件再工程　　15 计算智能的理论、方法与应用　　16 高可信软件技术、互联网计算与互联网软件、可编程芯片支持软件和嵌入式系统

线性代数、矩阵分析（矩阵相关的东西，这个比较重要，因为视觉里面的处理很多都是用矩阵来处理的）、另外最好可以学习下摄影几何（一般学视觉的都会学习这个，很多理论用这个推导比较简单）当然高等数学和概率方面的都是必须的用到图像灰度二值化（阀值），世界坐标系，图像坐标系，待测物体坐标系，机器人TCP坐标系，摄像头坐标系之间的转换等等。数学涉及到哪些方面？比如线性代数，卷积变换等？我想知道详细的内容，希望能给个解释。

深度学习已经在语音识别、图像处理等方面取得了巨大成功。从2013、2014年开始，也在自然语言处理领域出现深度学习的应用浪潮，例如今年ACL上有人（应该是BBN公司？）利用深度学习极大地提升了统计机器翻译的性能，颇值得期待。关于深度学习的挑战与方向，其实可以关注深度学习重要学者们的相关综述文章和专著，例如Yoshua Bengio曾经写过的Learning Deep Architectures for AI （2009年）、Practical Recommendations for Gradient-Based Training of Deep Architectures（2012年）、Representation Learning: A Review and New Perspectives （2013年）。人们一般认为深度学习在语音识别和图像处理方面能够取得长足进度，是因为这两个领域的相关特征信息都是相对低层次的，可以借助深度学习的强大学习能力学习其中的复杂信息；而到了自然语言处理领域，人们利用深度学习做过很多尝试，发现很难取得像语音识别和图像处理那么大的突破，原因在于自然语言的相关特征信息都是相对高层次的（如自然语言的基本单位——词汇——本身就有丰富的语义内涵，与图像中的“线条”、“纹理”等特征相比尤其如此），在深度学习之前就由语言专家编制了很多精致而复杂的知识库，如WordNet等，这些知识已经将相关处理性能推到了较高层次。因此，当深度学习进入自然语言时，如果还是像语音识别、图像处理那样从零知识开始做特征学习，相当于将丰富的语言知识弃之不用而另起炉灶，是不符合自然语言处理特点的。所以，深度学习的一个可能重要的发展方向是，如何在深度学习框架中高效地融合人们已经构建出来的丰富先验知识（包括语言知识、世界知识）。需要注意的是，与LDA（latent Dirichlet allocation）等之前流行的机器学习算法不同，深度学习不是某个具体算法，而是采用”深度“学习思想的一系列算法的统称，在机器学习领域中（如ICML、NIPS），貌似很少有论文会以deep learning命名，而是具体算法的名称，如autoencoder，等等。因此，建议首先阅读一些tutorial，了解深度学习中的主要算法和人物，然后再去了解具体算法。