学通这本线代基础，搞CV应用应该没啥压力了，记得有相应的MIT公开课录像。
说实话，这些东西我觉得上课基本没用，唯一的好处就是会选一些不错的题目，逼我这种不自觉的人做作业。
硬要说别的好处，就是老师会普及一些书上没用的新的热门算法应用等等，省下不少时间。
基于CNN的MV没学过没用过，没法给意见。如果题主有些machine learning的基础，估计找些案例为主的教材照做，应该也比较容易上手。
复杂的轮子都是人家一伙人读三五年PhD造出来的，你再造一遍纯粹浪费时间，能拿来用就拿来用。
图像的特征是指图像的原始特性或属性，其中部分属于自然特征，如像素灰度、边缘和轮廓、纹理及色彩等。有些则是需要通过计算或变换才能得到的特征，如直方图、频谱和不变矩等。
为了能减少计算量并提高系统的实时性，几乎所有机器视觉系统对目标的识别、分类及检测都基于从图像中提取的各种特征来进行。
将属于特征的像素从图像中分离出来的过程称为图像的特征提取，从各种图像特征中选出可高效解决待处理问题的特征的过程则称为特征选择。特征提取和特征选择的结果是否有效，直接决定着机器视觉系统进行机器决策的成败。
对解决实际问题来说，一个好的特征应与其他特征之间应有明显的差异，且对同类图像来说，其值应保持一致可靠，并具有代表性和独立性。总之，特征提取和选择过程应尽可能减少整个识别系统的处理时间，并提高系统识别目标的准确率。
机器视觉系统开发过程中常见的特征包括像素灰度、边缘、轮廓和形状、纹理、角点、色彩以及各种与图像颗粒相关的属性等，如下图所示：
其中检测是指对目标的存在性进行判断，如检测电路板上的某一电阻或电容是否被安装等。检测既可基于尺寸距离等测量，也可基于对其他更为抽象的图像特征的计算。缺陷检测通常是按照预先设置的特征阈值范围判断被测量的特征是否在这一达标范围内。目标对准可对视场中目标相对标准位置的平移和旋转进行纠正。分类计数则通过特征模式匹配等对目标进行分类并统计数量。而目标追踪则可以根据事先选择的特征跟踪视场中目标的位置。
可以发现机器视觉不会像计算机视觉需要学习那么多数学知识，MV大部分还是线性代数、高等数学里面的，微积分、矩阵论、积分变换、坐标变换、立体几何等。
其中《机器视觉算法与应用》该书对机器视觉处理系统和各种处理算法进行了详尽解述。里面讲解了机器视觉算法：图像、区域、轮廓、图像增强、几何变换—-仿射投影极坐标变换、图像分割、特征提取、形态学、边缘提取、分割和拟合、摄像机标定、立体、模板匹配、OCR等。
可以发现机器视觉主要还是侧重于实际应用，与工程项目结合起来才是王道。掌握光源，相机，镜头，采集卡是主要的，数学知识不会很难，相信这话一说，很多朋友会从事机器视觉了。但是个人觉得计算机视觉与深度学习结合才是发展趋势，
所以大公司、巨头都是在这块里面竞争，这里面涉及大量数学知识。而机器视觉基本没有巨头可言，代理+小公司为主。不过工业4.0的趋势，应用很广监控、检测、测量、定位、识别，机器视觉大有可为，赋予机器一双眼睛嘛。
机器视觉和计算机视觉的智能化还有所区别。现在机器视觉在工业上的应用主要就是视觉引导机器人、2D及3D测量，以及缺陷检测。前两者需要的根本是摄像头标定。这其中运用到了线性代数、线性优化和三维几何的知识。最后一种可能会用到形态学处理，也就是数字图像处理的知识，而数字图像处理的基础就是线性代数。
Vision Guide Robot是未来的主流，相信你这个专业也是朝这个方向做的。
机器视觉是一种复合技术，由图像处理技术、机械工程、传感器、点光源照明和计算机软硬件技术等技术组成。是在一些人工作业的危险作业环境中，用摄像头等图像采集装置采集作业环境的图像信息，用图像处理技术提取有效信息，代替人眼做出各种检测和判断，从而大大提高检测的效率和自动化水平。
随着机器视觉的快速发展和成熟，机器视觉已经应用到了工业，农业，交通，安防等各个行业中。随着工业 4.0 的到来，机器视觉广泛应用在缺陷检测中，减少人力投入、提高检测精度。
Guo Yi 等人为解决螺纹缺陷检测精度低，实时检测困难的难题，提出了一种基于机器视觉的检测方法。螺纹部分的图像由工业 CCD 相机在线收集，并且图像是灰度化和去噪方法进行数据增强。从实现结果分析得出，该方法具备较好的缺陷识别和检测效果，能够有效识别螺纹的外观缺陷。
Fanwu Meng 等人针对汽车软管的表面缺陷质量问题，运用了机器视觉技术对胶管表面缺陷检测，运用 HALCON 算法处理软管图像，并识别软管的表面缺陷。为了提升视觉系统的检测精度，提出了一种缺陷分类方法，以减少误判。实验结果表明，该方法可以准确地检测出表面缺陷。
Yuqing Lin 等人针对光学透镜缺陷检测问题，运用了机器视觉技术，构建了光学透镜检测系统，该系统可广泛用于相机镜头，眼镜片和其他相关光学组件的缺陷检测。通过图像去噪，对比度增强等图像预处理算法，结合 Canny 算子和形态学处理算法，得到合理的图像处理结果。最后，基于 C4 的决策树分类器，根据缺陷的形状特征建立了 5 种算法，实现了光学元件表面缺陷的自动识别和分类。
Kang Zhao 等人针对铁轨道表面缺陷问题，运用了机器视觉技术，构建了轨道表面缺陷检测系统。采用线性 CCD 摄像机采集轨道信息，由 FPGA 上传，并通过上位机中的 MATLAB 软件对图像信息进行处理和分析。通过图像预处理技术，提高了图像质量，并获得了适合操作的图像信息。通过阈值分割，灰度补偿和图像二值化完成导轨的定位，以简化图像操作。最后，通过边缘检测和特征提取实现缺陷的最终定位。
顾佳晨等人针对冷轧带钢外表面缺陷种类多、特征差别比较大的特点，提出了将机器视觉技术和深度学习的目标检测算法相结合的方法，建立了应用在冷轧钢板表面缺陷的检测和识别模型，对冷轧镀锌的 10 种类型的缺陷，训练的模型在验证集上准确率达到了 93%。
综上所述，目前机器视觉技术已经在缺陷检测领域有了突破性进展，基于机器视觉技术的缺陷检测是将来的发展趋势。传统的基于机器视觉的缺陷检测流程一般包括图像的采集和预处理、缺陷特征的提取和识别分类。基于深度学习的缺陷检测流程包括图像的采集、图像数据的扩增、数据集的标注、缺陷数据集的构建和训练。每个流程中有不同的算法，算法的选择都影响系统的检测精度和速度，选择合适的算法，提高检测系统的检测精度和效率，让机器视觉缺陷检测技术向智能化方向发展，是国内外科研工作者的后续的研究方向。因此，基于机器视觉的锅炉水冷壁管缺陷识别与检测具有重要的意义。
