学习计算机视觉，很多人有一个误区，直接一...

学习计算机视觉，很多人有一个误区，直接一上来就是深度学习方法，持有一种对传统方法的不屑，这是一种很错误的方法，计算机视觉涵盖非常之广，深度学习方法对传统方法产生了巨大的挑战，但是传统方法解决问题的思维、方法非常重要，只有把这两类方法纵向联系起来，才能真正把握计算机视觉的精髓！从OpenCV优雅的过渡到深度学习方法，才是学习计算机视觉的正确路径。
传统方法最好用的工具就是OpenCV,比如，我们现在使用深度学习方法对图像进行分割，但其实有种非常简单的图像分割方法那就是图像阈值分割。
阈值分割是常见的直接对图像进行分割的算法，根据图像像素的灰度值的不同而定。对应单一目标图像，只需选取一个阈值，即可将图像分为目标和背景两大类，这个称为单阈值分割；
如果目标图像复杂，选取多个阈值，才能将图像中的目标区域和背景被分割成多个，这个称为多阈值分割，此时还需要区分检测结果中的图像目标，对各个图像目标区域进行唯一的标识进行区分。
阈值分割的显著优点，成本低廉，实现简单。当目标和背景区域的像素灰度值或其它特征存在明显差异的情况下，该算法能非常有效地实现对图像的分割。
阈值分割方法的关键是如何取得一个合适的阈值，根据阈值选取的不同，二值化的算法分为固定阈值和自适应阈值。 比较常用的二值化方法则有：双峰法、P参数法、迭代法和OTSU法等。更多的情况下，阈值的选择会综合运用两种或两种以上的方法，这也是图像分割发展的一个趋势。
详细请看《基于深度学习目标检测》中的《利用OpenCV对图像取阈值、滤波和形态学转换》