隨手扎
輪廓標記&霍夫曼變換&蒙地卡羅馬可夫 實現結果紀錄
我很想把詳細內容寫下來，好好說明一番。但東西多到可能會需要非常的花費時間。只是又非常非常想大喊：「想到這些方法的人們，根本就是鬼(才)吧！！」
所以這篇，就只簡單記錄一下各種方式的優缺點。
先說明一下問題：現在需要在一張圖片裡，尋找一個二維條碼的位置。
方法一：輪廓標記
(點擊可以看影片)
優點：這種方式非常的快速，而且不受到形狀、大小、角度的影響。
缺點：尋找到的boundingRect可能只是剛好框住而已，還有可能找到以下幾種結果：
也就是結果蠻容易受到形狀本身、週邊和噪點影響。
方法二：霍夫曼變換
(點擊可以看影片，左上方藍色框線是尋找標的方框的大小)
優點：非常精準、方形有缺陷依然可以正確找到，而且不受到噪點影響。
缺點：計算量非常高。有固定大小、旋轉方向的限制。
方法三：蒙地卡羅馬可夫
(點擊可以看影片，左上方藍色框線是尋找標的方框的大小)
基於霍夫曼變換，然後再使用蒙地卡羅馬可夫方法。原本還想在加點退火進去，但就需求上好像意義不大，而且我寫的蒙地卡羅馬可夫方法…後來想想感覺也有一點退火的味道。
優點：在使用恰當的情況下，能夠足夠精準、方形有缺陷依然可以正確找到，而且不受到噪點影響。
缺點：要調整蒙地卡羅馬可夫方法到比較好的結果，真的又夠麻煩的！需要在計算量、精確度找到一個良好可接受的平衡。此外尋找方式，也就是機率轉移的處理有夠難找到非常恰當又好寫的Orz。
電腦視覺和人工智慧(Computer Vision & AI)
結論上，各種處理方式有其適用範圍。感覺若能將三者結合起來處理或許可以得到更好的程式。
這次也順便看了一下基於類神經網路的電腦視覺處理方式–YOLO。在這自己處理影像的過程中，能夠更清楚的理解，爲什麼影像辨識不但可以識別物件，還可以找到物件在圖像中的位置。
此外，在調整蒙地卡羅馬可夫方法和輪廓標記的參數過程中，也能體會爲啥需要類神經網路來找到一個恰當的參數模型了Orz…