我是计算机专硕的研究生，三个研究方向：人工智能视频图像处理，大数据，软件框架，这三个选哪个更好

你说的这3个专业现在都是热门，都是有N多人在做了，且都有一定成果了。你要是想图技术的，你选你喜欢那个就行了。如果你想以后干不动了，能转行管理的，软件框架和大数据了，毕竟计算机行业狠卷的，每年毕业的年轻人太多了。

1、余晖（AfterLight）

Picture Yuhui是一款图像处理软件，可以拍摄圆形照片，该软件具有13个调整工具，32个滤镜，21种不同的纹理等等，因此具有美化市场上所有必要功能的软件。

2、圆视界

圆视界是一种以圆形构图为核心的摄影应用，以圆形为镜面探索世界，轻松制作圆形照片。

3、圆形相框app

圆形框架应用程序是可以拍摄圆形的应用程序，此外它还具有强大的图形功能，可以设计精美的边框和框架，使更加精美和鲜明。

4、ocamera

OCamera是生活美学APP，是一种专业的摄影映射工具，可以以圆形和方形的方式创建世界，它有两个背景选择：黑白和透明。

5、insta fisheye

insta fisheye可以帮助创建有趣的鱼眼镜头样式并应用不同类型的鱼眼镜头样式，带有完美方形照片的相机，可以用于复古的LOMO风格照片。

主要学习以下内容，题主可以了解一下~

第一阶段：专业基础课程

阶段目标：

1熟练掌握IT核心技术：编程，数据库， *** 作系统，版本控制

2能够熟练运用所学技术搭建各类服务器环境

3深入理解软件研发过程各种疑难杂症及处理手段

4掌握Python编程技术并熟练运用Python进行程序设计

知识点：

1、Web页面元素，布局，CSS样式，盒模型，JavaScript程序设计，函数，基础算法，正则表达式。

2、数据库知识，范式，MySQL配置，命令，建库建表，数据的增删改查，约束，视图，存储过程，函数，触发器，事务，游标，建模工具深入理解数据库管理系统通用知识及MySQL数据库的使用与管理。为软件测试和测试开发打下基础。

3、Linux安装配置，文件目录 *** 作，VI命令，管理，用户与权限，环境部署，Shell编程Linux作为一个主流的服务器 *** 作系统，是每一个测试开发工程师必须掌握的重点技术，并且能够熟练运用。

4、Python编程基础，语法规则，函数，数据类型，PDBC，培养扎实的Python编程基本功，同时对Python核心对象编程有熟练的运用。

5、Python面向对象，异常处理，文件IO，多线程，网络编程，PyQT界面开发，深入理解面向对象编程，异常处理机制，多线程原理，网络协议知识，并熟练运用于项目中。

第二阶段：专业核心课程

阶段目标：

1熟练应用所学知识完成一个标准的软件测试项目

2熟练运用Python完成GUI测试，接口测试和性能测试开发

3对测试开发技术体系和实现原理有深入的理解

4灵活运用测试开发技术解决项目中的各种问题

知识点：

1、软件工程，软件质量，系统测试流程，方法，专业术语，测试用例设计，禅道管理工具，测试报告，缺陷管理理解软件工程的各类实际问题，理解系统测试的理论、方法与过程，熟练运用测试用例设计方法高效设计测试用例。

2、测试需求分析，测试方案设计，测试用例设计，测试项目实施，缺陷报告与测试报告，深入理解系统测试各个过程和关键环节，熟练完成系统测试项目。

3、SikuliX框架，框架，SeleniumWebDriver框架，基础框架，Android应用，Monkey测试，Appium移动端测试框架，移动端测试框架综合运用各类应用 *** 作平台，完成各种自动化测试框架的学习和应用，深入理解GUI自动化测试技术及相应框架的测试开发。

4、Python单元测试框架，网络通信协议，>

5、性能测试原理，指标体系，场景设计，实施过程，JMeter工具应用，BeanShell脚本开发，PythonLocust性能测试框架深入理解性能测试技术体系和方法论，熟练运用JMeter性能测试工具和Locust性能测试框架实施对任意系统的性能测试。

第三阶段：综合实战项目

阶段目标：

1将软件测试和测试开发技术灵活运用于项目中

2具备较强的测试开发能力，独立完成测试开发项目

3综合运用软件测试技术，满足企业中高级人才需求

4对所学技术有深入的理解并具备独立解决问题的能力

知识点：

1、测试需求分析，同行评审，测试计划，测试方案，测试用例，配置管理，持续集成。通过对大型企业级应用系统的测试项目实战，强化理解系统测试项目的实施过程与技术细节。

2、接口测试设计与实施，回归测试，冒烟测试，安全性测试，框架应用，UI自动化实战将各类自动化测试技术结合项目实战演练，强化对自动化测试技术的运用，同时掌握更多的测试框架。

3、性能测试项目实战，LoadRunner性能测试工具，总结通过综合项目实战，将全套测试技术融入到项目中，强化学习效果和项目经验。

4、Python原生测试框架开发，包括Monkey，UI，图像识别，云测试平台，HTML测试报告，持续集成，KDT关键字驱动框架开发等原生技术实现通过大量的Python原生代码开发，深入理解自动化测试开发技术的底层实现原理，完全抛弃对工具的依赖，做到真正的测试开发技术。

5、基于测试框架的设计思路和实现手段，自主实现一套测试框架能够独立完成一套自动化测试框架，并能够直接用于实际项目中。

6、持续集成与Jenkins，安全性测试原理与工具，Python爬虫开发与Scrapy框架，提升软件测试其它类技术，增强知识面，提升竞争力，助力职业发展。

补充知识

1、 算法进阶，图像处理，视频处理，加密解密，压缩算法。

2、 UML统一建模语言、五种图、类图、类图详解、用例图、时序图。

3、Dubbo分布式开发框架，Oracle关系型数据库管理系统，MongoDB非关系型数据库管理系统。

4、 大数据开发框架Hadoop/MapRece/Spark。

5、 Android与iOS的原生应用开发与WebApp开发。

6、 OpenCV图像处理框架、TensorFlow深度学习框架，Lucene全文搜索引擎与中文分词框架Ik-Analyzer，视频处理算法与框架等。

学习目标：

OpenCV 中有 150 多种色彩空间转化的方法，这里只讨论两种：

HSV的色相范围为[0,179]，饱和度范围为[0,255]，值范围为[0,255]。不同的软件使用不同的规模。如果要比较 OpenCV 值和它们，你需要标准化这些范围。

HSV 和 HLV 解释

运行结果：该段程序的作用是检测蓝色目标，同理可以检测其他颜色的目标

结果中存在一定的噪音，之后的章节将会去掉它

这是物体跟踪中最简单的方法。一旦你学会了等高线的函数，你可以做很多事情，比如找到这个物体的质心，用它来跟踪这个物体，仅仅通过在相机前移动你的手来画图表，还有很多其他有趣的事情。

菜鸟教程 在线 HSV-> BGR 转换

比如要找出绿色的 HSV 值，可以使用上面的程序，得到的值取一个上下界。如上面的取下界 [H-10, 100, 100]，上界 [H+10, 255, 255]

或者使用其他工具如 GIMP

学习目标：

对图像进行阈值处理，算是一种最简单的图像分割方法，基于图像与背景之间的灰度差异，此项分割是基于像素级的分割

threshold(src, thresh, maxval, type[, dst]) -> retval, dst

计算图像小区域的阈值。所以我们对同一幅图像的不同区域得到不同的阈值，这给我们在不同光照下的图像提供了更好的结果。

三个特殊的输入参数和一个输出参数

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst

opencv-threshold-python

OpenCV 集

本节原文

学习目标：

OpenCV 提供两种变换函数： cv2warpAffine 和 cv2warpPerspective

cv2resize() 完成缩放

文档说明

运行结果

说明 : cv2INTER_LINEAR 方法比 cv2INTER_CUBIC 还慢，好像与官方文档说的不一致？ 有待验证。

速度比较： INTER_CUBIC > INTER_NEAREST > INTER_LINEAR > INTER_AREA > INTER_LANCZOS4

改变图像的位置，创建一个 npfloat32 类型的变换矩阵，

warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) -> dst

运行结果：

旋转角度（ ）是通过一个变换矩阵变换的：

OpenCV 提供的是可调旋转中心的缩放旋转，这样你可以在任何你喜欢的位置旋转。修正后的变换矩阵为

这里

OpenCV 提供了 cv2getRotationMatrix2D 控制

cv2getRotationMatrix2D(center, angle, scale) → retval

运行结果

cv2getAffineTransform(src, dst) → retval

函数关系：

\begin{bmatrix} x'_i \ y'_i \end{bmatrix}\begin{bmatrix} x'_i \ y'_i \end{bmatrix} =

其中

运行结果：图上的点便于观察，两图中的红点是相互对应的

透视变换需要一个 3x3 变换矩阵。转换之后直线仍然保持笔直，要找到这个变换矩阵，需要输入图像上的 4 个点和输出图像上的对应点。在这 4 个点中，有 3 个不应该共线。通过 cv2getPerspectiveTransform 计算得到变换矩阵，得到的矩阵 cv2warpPerspective 变换得到最终结果。

本节原文

平滑处理（smoothing）也称模糊处理（bluring）,是一种简单且使用频率很高的图像处理方法。平滑处理的用途：常见是用来 减少图像上的噪点或失真 。在涉及到降低图像分辨率时，平滑处理是很好用的方法。

图像滤波：尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

消除图像中的噪声成分叫做图像的平滑化或滤波 *** 作。信号或图像的能量大部分集中在幅度谱的低频和中频段，在高频段，有用的信息会被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。

滤波的目的：抽出对象的特征作为图像识别的特征模式；为适应图像处理的要求，消除图像数字化时混入的噪声。

滤波处理的要求：不能损坏图像的轮廓及边缘等重要信息；图像清晰视觉效果好。

平滑滤波是低频增强的空间滤波技术，目的：模糊和消除噪音。

空间域的平滑滤波一般采用简单平均法，即求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑效果越好，但是邻域过大，平滑也会使边缘信息的损失的越大，从而使输出图像变得模糊。因此需要选择合适的邻域。

滤波器：一个包含加权系数的窗口，利用滤波器平滑处理图像时，把这个窗口放在图像上，透过这个窗口来看我们得到的图像。

线性滤波器：用于剔除输入信号中不想要的频率或者从许多频率中选择一个想要的频率。

低通滤波器、高通滤波器、带通滤波器、带阻滤波器、全通滤波器、陷波滤波器

boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) -> dst

均值滤波是方框滤波归一化后的特殊情况。归一化就是要把处理的量缩放到一个范围内如 (0,1)，以便统一处理和直观量化。非归一化的方框滤波用于计算每个像素邻近内的积分特性，比如密集光流算法中用到的图像倒数的协方差矩阵。

运行结果：

均值滤波是典型的线性滤波算法，主要方法为邻域平均法，即用一片图像区域的各个像素的均值来代替原图像中的各个像素值。一般需要在图像上对目标像素给出一个模板（内核），该模板包括了其周围的临近像素（比如以目标像素为中心的周围8（3x3-1）个像素，构成一个滤波模板，即 去掉目标像素本身 ）。再用模板中的全体像素的平均值来代替原来像素值。即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m ∑f（x，y） ，其中m为该模板中包含当前像素在内的像素总个数。

均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。

cv2blur(src, ksize[, dst[, anchor[, borderType]]]) → dst

结果：

高斯滤波：线性滤波，可以消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过 加权平均 后得到。高斯滤波的具体 *** 作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

高斯滤波有用但是效率不高。

高斯模糊技术生成的图像，其视觉效果就像是经过一个半透明屏幕在观察图像，这与镜头焦外成像效果散景以及普通照明阴影中的效果都明显不同。高斯平滑也用于计算机视觉算法中的预先处理阶段，以增强图像在不同比例大小下的图像效果（参见尺度空间表示以及尺度空间实现）。从数学的角度来看，图像的高斯模糊过程就是图像与正态分布做卷积。由于正态分布又叫作高斯分布，所以这项技术就叫作高斯模糊。

高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。 高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。

一维零均值高斯函数为: 高斯分布参数 决定了高斯函数的宽度。

高斯噪声的产生

GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst

线性滤波容易构造，并且易于从频率响应的角度来进行分析。

许多情况，使用近邻像素的非线性滤波会得到更好的结果。比如在噪声是散粒噪声而不是高斯噪声，即图像偶尔会出现很大值的时候，用高斯滤波器进行图像模糊时，噪声像素不会被消除，而是转化为更为柔和但仍然可见的散粒。

中值滤波（Median filter）是一种典型的非线性滤波技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，该方法在去除脉冲噪声、椒盐噪声『椒盐噪声又称脉冲噪声，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。』的同时又能保留图像边缘细节，

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点，对于 斑点噪声（speckle noise）和椒盐噪声（salt-and-pepper noise） 来说尤其有用，因为它不依赖于邻域内那些与典型值差别很大的值。中值滤波器在处理连续图像窗函数时与线性滤波器的工作方式类似，但滤波过程却不再是加权运算。

中值滤波在一定的条件下可以克服常见线性滤波器如最小均方滤波、方框滤波器、均值滤波等带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声非常有效，也常用于保护边缘信息, 保存边缘的特性使它在不希望出现边缘模糊的场合也很有用，是非常经典的平滑噪声处理方法。

与均值滤波比较：

说明：中值滤波在一定条件下，可以克服线性滤波器（如均值滤波等）所带来的图像细节模糊，而且对滤除脉冲干扰即图像扫描噪声最为有效。在实际运算过程中并不需要图像的统计特性，也给计算带来不少方便。 但是对一些细节多，特别是线、尖顶等细节多的图像不宜采用中值滤波。

双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合 图像的空间邻近度和像素值相似度 的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。具有简单、非迭代、局部的特点。

双边滤波器的好处是可以做边缘保存（edge preserving），一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差 sigma－d ，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。 但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波。

运行结果

学习目标:

形态变换是基于图像形状的一些简单 *** 作。它通常在二进制图像上执行。

膨胀与腐蚀实现的功能

侵蚀的基本思想就像土壤侵蚀一样，它会侵蚀前景物体的边界（总是试图保持前景为白色）。那它是做什么的？内核在图像中滑动（如在2D卷积中）。只有当内核下的所有像素都是 1 时，原始图像中的像素（ 1 或 0 ）才会被视为 1 ，否则它将被侵蚀（变为零）

erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst

与腐蚀的 *** 作相反。如果内核下的至少一个像素为“1”，则像素元素为“1”。因此它增加了图像中的白色区域或前景对象的大小增加。通常，在去除噪音的情况下，侵蚀之后是扩张。因为，侵蚀会消除白噪声，但它也会缩小我们的物体。所以我们扩大它。由于噪音消失了，它们不会再回来，但我们的物体区域会增加。它也可用于连接对象的破碎部分

以上就是关于我是计算机专硕的研究生，三个研究方向：人工智能视频图像处理，大数据，软件框架，这三个选哪个更好全部的内容，包括:我是计算机专硕的研究生，三个研究方向：人工智能视频图像处理，大数据，软件框架，这三个选哪个更好、什么软件能拍圆形照片、做软件测试都需要学什么呢等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！