一路學到這裡，我們已經介紹了許多數位影像處理的方法。

從 Pixel、Histogram、Convolution。

到 Filter、Edge Detection、Morphology。

再到 Corner、Feature、Hough Transform。

看到這裡，相信大家會有一個疑問：

在現在這個大AI時代，大家都在談 AI、CNN、YOLO。

那我們花了這麼多時間學傳統影像處理，還有用嗎？

答案是：有，而且非常重要。

深度學習是建立在前人的成果上

傳統影像處理與深度學習並不是互相競爭的關係。

他們各自負責了不同的工作。

很多電腦視覺的系統其實都是兩者一起使用。

傳統影像處理擅長什麼？

傳統影像處理最大的特色，就是每一步都非常明確。

例如：

如果圖片太暗可以調整亮度。

如果圖片有雜訊可以使用 Gaussian Blur 或 Median Filter。

如果想找出物體輪廓可以使用 Canny Edge Detection。

如果想找到直線可以使用 Hough Transform。

每一個演算法都有明確的目的，也知道它為什麼會得到這樣的結果。

因此，它具有很好的可解釋性，而且通常不需要大量資料就能使用。

深度學習擅長什麼？

相較之下，深度學習最大的特色，是不需要人自己設計規則。

例如：

如果今天想辨識貓和狗，傳統方法可能要自己思考：

• 耳朵長什麼樣子？

• 眼睛在哪裡？

• 毛髮有什麼特徵？

但是深度學習會直接從大量資料中學習，自己找到最適合辨識的方法。

因此，面對複雜的影像任務，深度學習通常具有更好的表現。

像是常見的：

• 影像分類（Image Classification）
• 物件偵測（Object Detection）
• 語意分割（Semantic Segmentation）
• 實例分割（Instance Segmentation）

幾乎都以深度學習為主。

那現在還需要學傳統影像處理嗎？

我認為，答案仍然是需要。

原因是因為深度學習仍然需要處理影像。

例如：

訓練之前，可能需要先做資料前處理，像是裁切、縮放、去除雜訊。

推論之後也常需要後處理，例如 Non-Maximum Suppression（NMS）、形態學運算，或輪廓分析。

除此之外，很多嵌入式系統因為硬體資源有限仍然會大量使用傳統影像處理。

例如：

• 工業 AOI。

• 條碼辨識。

• 文件掃描。

• OCR 前處理。

甚至醫療影像。

都仍然可以看到許多傳統方法的身影。

關於電腦視覺

在電腦視覺中，最重要的是知道 什麼時候該使用哪一種工具。

有些問題，一個 Threshold 就能解決，根本不需要訓練一個神經網路。

有些問題則需要大量資料與模型才能達到足夠好的效果。

真正重要的，是知道每種方法適合解決什麼問題。

今天總結

今天，我們回頭看了這段時間學過的內容。

傳統影像處理與深度學習，並不是互相取代的關係，而是在不同的場景中，各自發揮自己的優勢。

理解傳統方法，不只是單純為了學會幾個工具的使用方式，更重要的是建立分析影像、理解影像的思考方式。

不過，看到這裡，也許你會有另一個疑問：既然現在大部分的電腦視覺都建立在深度學習之上，為什麼 CNN 能夠逐漸取代許多傳統的手工特徵？

下一篇，我們就來聊聊這個問題。