从本篇开始，总结下常用的图像处理相关的知识体系。由于计算机视觉知识体系非常庞大，这里只是从工程角度，总结下个人在工程应用中遇到的问题和所用的方法。
当然，这里遇到的很多问题都是为了最小化神经网络模型，适配移动端模型带来的。因为想尽可能的让模型在移动端设备良好的运行。
尽管目前神经网络和AI模型主要在服务端，但我深信移动端轻量化的模型应用，会有一次爆发。在实际的工程应用中，我们会将模型以分布式服务的形式部署，作为底层服务提供给相关的开发人员。至于分布式服务的原理，部署，限流，熔断等，后续我会专门做一个知识总结。
实践下来，图像处理常用的一些总结大致如下。这里我主要列举了一些常用的经典cv算法和深度学习常用的骨干网络和目前热点的几个方向。这里的总结并没有针对每个点进行详细的展开。后续我会针对这些总结，尽可能的，一来总结知识，二来也可以和大家一起学习。
计算机视觉.png
一部分原因由于相隔时间比较长，确实有很多暂时想不到的知识点。后面我会继续更新，补充上去。
经典cv分为，图像的基础原理，图像的简单处理，图像的特征处理。而深度学习方向，重点在于实际的举例，需要一定的基础。主要粗略总结了图像数据的预处理，网络搭建的大概知识点，以及目前比较热门的几个方向和比较成熟的计算机视觉算法。大致就是这么多知识点。
当然后续会继续更新完善。从模型的应用场景，算法的基本设计原理，以及落地方案的尝试。尽可能的从工程落地的角度，通过熟悉这些知识点，便能迁移模型，适配移动端落地。
