可微分的「OpenCV」：这是基于PyTorch的可微计算机视觉库 机器之心整理 参与：思 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/ importtorch importkornia x_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。 本文为机器之心整理，转载请联系本公众号获得授权。 ?------------------------------------------------加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com投稿或寻求报道：content@jiqizhixin.com广告 & 商务合作：bd@jiqizhixin.com