图像分析及简单算法
“图片是由很多像素点组成，每个像素点是由[R,G,B]三原色组成，每一种原色用范围在0～255的整数表示。所以图像分析实际上是对这些数据的分析及计算”
01
—
图片：3维数据矩阵
图1是一张彩色图片。读取该图片的数据后，会得到三个20✖️30的矩阵（如图2，图3，图4）。
图1
其中，20是高度(Height)的像素点数，30是宽度(Width)的像素点数。
举个例子：第3行第12列像素点的R,G,B值分别是：[182, 188, 36]，那么这个像素点的颜色是暗黄色。
图2
图3
图4
为了显示更直观，将R,G,B矩阵显示为图5，图6，图7的柱状图形式。
图5
图6
图7
图像分析，是对R,G,B矩阵某一行、某一列或某一区域数据的分析。
02
—
算例：停车位边界判断
图8是一张停车位的照片。读取该图片的数据后，会得到三个664✖️890的矩阵（X: Height方向664个像素，Y: Width方向890个像素）。
图8
因为图8的R矩阵中白色数据比较明显，故以下是基于R矩阵的计算。
对图8的R矩阵各行分别沿Y Width方向取值，并采用R值Trig Level=230为触发值，向右寻找触发点，发现第一个触发点后即退出寻找。
图9是分别对第200行，400行，600行寻找触发点的举例。每行只寻找一个触发点，即图中红色圆点。第600行没有找到触发点。
图9
图10右图是各行向右查询找到的触发点（某些行无触发点），图10左图是将触发点连线，寻找触发点规律。
图10
从图10中可以看出，为了找到停车位的左侧边界，我们需要去掉一些干扰的触发点。
本例中采用的方法是：对触发点的Y值进行求导，然后选取求导值较小的点，如图11最右图。
图11
然后对图11中筛选的触发点再次求导，再次筛选，即得到图12中的第二次筛选的触发点，如图12最右图。
图12
将图11，图12的筛选过程重复多次，如图13，可以看出从第10次筛选开始，结果已经收敛。
图13
图14左图是初次计算的触发点，图14右图是最终筛选的触发点。
图14
对图14右图筛选后的多个触发点进行曲线拟合（本例采用y=ax+b形式进行一次线性拟合），得到结果见图15。
图15
图16是图15的细节部分，可见线性拟合和离散点的关系。
图16
至此，左侧边界直线（也可以进行2次曲线拟合）确定。
同样的，右侧边界采用各行向左⬅️搜寻的方法，最终得到停车位的两侧边界曲线，见图17。
图17
03
—
算例总结
以上仅是个图像识别的简单算例，计算思路及步骤如下：
1）寻找RGB矩阵中图像特征明显的矩阵，或是处理灰度矩阵：Z=0.299R+0.587G+0.114B, （计算后需要对Z取整）。
2）对矩阵的某行，某列，或某区域进行信号分析。
3）通过各种计算得到特征位置或特征数值。
04
—
应用展望
图像识别已被广泛使用，本篇只是简单介绍一下最简单的算例及原理，真正的应用远比本例要复杂。
程序的计算速度和容错性是互相矛盾的。图片特性稳定，则程序简单，计算速度较快；图像特性变化大，则要求程序具有更强的容错能力，程序就越复杂，计算越慢。
目前比较流行的机器学习等算法在图像识别中已广泛应用，使用者不需要对图像特征进行深入了解。但是，基本原理还是需要了解一下～，因为……机器学习实在看不懂～
个人认为，随着穿戴设备，机器学习人工智能，计算速度，网络传输速度的迅速发展，相信会有类似Google glass的产品出现（虽然glass没能量产），从而实现人眼视觉的共享及辅助决策，从而再次改变人类生活。