今天去圖書館看到了一本《visual c++數字圖像模式識別典型案例詳解》，覺得挺好准備入門，找合適的c++編譯器都找了一下午。從visual studio到eclipse for c++,要不是被我黨屏蔽，要么是網速巨慢。然后找到了一些少有人知道的網站，下載了ide文件，但是安裝時又出現問題，后面感覺懶得折騰了。但是書中的案例還是很好懂的，但是要徹底弄明白一個，估計都得花很長時間。本來還想使用C++學習計算機視覺的，但是這樣的開發環境，感覺真的是折騰。
反觀java的開發環境，從eclipse，到idea，從springboot到springcloud都比較完善，再看看python也是很熱門，看來c++這門語言真的沒落了，也許是管理不善，時間很緊迫，雖然我可能做計算機視覺，但是，時間真的不允許了。沒有時間了，我java學習了一年半，還是沒有多少開發項目和經驗。所以還是慢慢死了計算機視覺這條路，這條路需要太長的時間。還是滾回去把我的java一套搞好。對計算機視覺敬而遠之吧，你真的不要再這上面浪費時間了，有時間還不如研究一些阿里巴巴的數據庫性能大賽。把一件事做到極致，你就成功了。不要覺得那些很低端，但是你卻做不好。
買了一本《Python計算機視覺編程》，感覺還是Python入門CV容易些，調用PIL和matplotlib的類和方法，很容易實現圖像的基本變換，非常方便。人生苦短，我用Python，這一話真的很貼切啊。現在可以對圖像做卷積變換，然后觀察一些特征，真的還是不錯的。
-----------------------2019更新--------
想做目標檢測和識別，這個方向已經很成熟了，TensorFlow有開源的detection api。路線還是應該選Python+deep learning。接下來我們來看一下detection的源碼，其中有一個用於結果標注的函數：
vis_util.visualize_boxes_and_labels_on_image_array(
# 根據名字，這是一個展示結果的函數 image_np, output_dict['detection_boxes'],# 把候選的結果做成字典，思路清晰 output_dict['detection_classes'], output_dict['detection_scores'], category_index, instance_masks=output_dict.get('detection_masks'), use_normalized_coordinates=True, line_thickness=8)