点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达本文转自|深度学习这件小事

如何打造一个可微分的 OpenCV？如何将图像处理嵌入到训练流程中？你需要 Kornia 这个开源可微的计算机视觉库。

• 项目地址：https://github.com/arraiyopensource/kornia

目前最经典的图像处理库差不多就是 OpenCV 了，它从最经典的图像算法到非常前沿的 DL 预训练模型囊括了 CV 的很多方面。但现在有一个问题，OpenCV 是不可微的，这意味着它更多的是做预处理等工作，而不能嵌入到整个训练流程中。

在这个项目中，开发者提出了一种新型开源可微分计算机视觉库 Kornia，并且它建立在 PyTorch 之上。

Kornia 包含了一组例程和可微分模块，并致力于解决通用计算机视觉问题。在 Kornia 的核心代码中，它使用 PyTorch 作为主要后端，并高效地利用反向模式自动微分机制来定义并计算复杂函数的梯度。如下所示为 Kornia 可微分处理的一个示例：

受到 OpenCV 的启发，Kornia 由包含各种运算子的子集包组成，这些运算子可以插入到神经网络中，以在训练中执行图像转换、对极几何、深度估计和各种底层图像处理，例如直接在张量上进行滤波和边缘检测等操作。

从比较高的层次上来说，Kornia 库主要包含以下组件：

使用入门

Kornia 使用起来非常简单，它的 API 就可以直接当做算子进行操作，更多的 API 文档或教程可以查阅使用指南。

• 文档地址：https://kornia.readthedocs.io/en/latest/

import torch
import korniax_rad = kornia.pi * torch.rand(1, 3, 3)
x_deg = kornia.rad2deg(x_rad)# True
torch.allclose(x_rad, kornia.deg2rad(x_deg))

使用案例

项目还提供了很多 Jupyter Notebook，它们展示了使用 Kornia 的各种实例。在这里我们简要介绍了如何使用 Kornia 抽取图像特征。首先得读取并打印图像，这一点和 OpenCV 或其它图像处理库都差不多：

因为这个示例展示的是经典图像处理方法，后面就需要加载预定义的检测特征：

后面就可以根据特征抽取一些图像块，并准备做后续的处理了。

最后，前面根据特征抽取的 2000 个图像块可以进一步采用 SIFT 方法构建描述向量。

—完—

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~