质：工业级，企业级，设计。
量：高效，优化。核心功能：匹配定位，测量，图像检测，分类，条码识别
鲁棒图像算法
图像处理。CV典型底层算法
后处理：图像增强，融合，分割，深度提取，目标检测
优先：机器学习典型方法，典型分类器的方法使用特点，深度学习的设计与优化
优先：3D成像原理和算法
- 深度学习框架：caffe，tensorflow，PyTorch，keras
- 图像种物体匹配定位
灰度图 = 红/蓝通道（原图）
去噪图 = 中值滤波（灰度图）
轮廓矩阵 = 去噪图.二值图(闭运算)
1车牌提取过程：
1.1获取，定位，分割，字符识别2定位提取
2.1灰度化
2.2Candy边缘检测
2.3形态学（膨胀腐蚀）处理
2.4轮廓处理
2.5自适应二值化处理3提取的分割
3.1像素值判断
3.2确认字符位置
定位
·颜色分割，纹理分割，边缘检测分割，数学形态法的分割
字符分割
——分割算法：直接分割，基于识别基础上的分割，自适应分割线类聚法
提取
——灰度化，Candy边缘检测，形态学（膨胀腐蚀）处理，轮廓处理，自适应二值化处理，字符提取分割
灰度化
Mat grayImage;
cvtColor(image, grayImage, CV_RGB2GRAY);
imshow(“test”, grayImage);
Candy边缘检测，算字，方向性质，边缘强度，边缘强度方向强度；抗噪声，弱边缘
(1)去噪
像素杂讯无影响的模糊图blurred = 卷积（原始数据，高斯Mask）
(2)梯度的振幅和方向 = 一阶偏导的有限差（像素杂讯无影响模糊图blurred）
(3)梯度幅值1 = 非极大值抑制（梯度幅值）
细定位
含车牌的图 = 二值化（去噪完成图）
含车牌的图（小区域，密集，多个字符；字符，底色强烈对比；区域长宽固定）
//Candy/sobel 边缘检测：
Mat candyImage;
Candy(blurImage, canImage, 500, 200 ,3);
//imshow(“test”, candyImage);
