opencv能处理16位图像吗
python是什么语言？
python是什么语言？
Python是一种跨平台的计算机程序设计语言。 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。
人工智能主要是学什么的？
要了解人工智能学什么内容，需要首先了解人工智能是什么：
1、人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
2、人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
那么，人工智能学什么内容呢？
目前人工智能专业的学习内容主要包括： 机器学习、人工智能导论（搜索法等）、图像识别、生物演化论、自然语言处理、语义网、博弈论等。
需要的基础课程主要有，信号处理，线性代数，微积分，还有编程（有数据结构基础）。
从专业的角度来说，机器学习、图像识别、自然语言处理，这其中任何一个都是一个大的方向，只要精通其中一个方向，就已经很厉害了。所以不要看内容很多，有些你只是需要掌握，你需要选择的是一个方向深入研究。其实严格来说，人工智能不算难学，但是也不是轻轻松松就能学会的，需要有一定的数学相关的基础，同时还有一段时间的积淀。
研究SLAM，对编程的要求有多高？
说到SLAM，许多人会提MATLAB，主要原因是大多数人本科阶段接触的都是MATLAB，所以希望之后研究SLAM也用它。
MATLAB确实有很多优点：语法简单，开发速度快，调试方便，功能丰富。然而，在SLAM领域，MATLAB缺点也很明显，主要是这三个：
1.需要正版软件（你不能实机上也装个盗版MATLAB吧）；
2.运行效率不高；
3.需要一个巨大的安装包。
而相对的，C 的优势在于直接使用，有很高的运行效率，不过开发速度和调试方面慢于MATLAB。
不过光运行效率这一条，就够许多SLAM方案选择C 作为开发语言了，因为运行效率真的很重要。
同一个算法，如果拿MATLAB写的不能实现实时，而拿C 写的能实现实时的话，你说用哪个？
当然，MATLAB也有一些用武之地。我见过一些SLAM相关的公开课程，让学生用MATLAB做仿真，交作业，这没有问题，比如SLAM toolbox 。
同样的，比较类似于MATLAB的Python（以及octave）亦常被用于此道。它们在开发上的快捷带来了很多便利，当你想要验证一些数学理论、思想时，这些都是不错的工具。技多不压身，掌握MATLAB和Python当然是很棒的。
但是一牵涉到实用，你会发现几乎所有的方案都在用C 。 因为运行效率实在是太重要了。
那既然有心思学MATLAB，为什么不学好C 呢？
接下来说说C 大概要学到什么程度
用程序员的话说，C 语言比较特殊，你可以说自己精通了Java，但千万不要说自己精通了C 。C 非常之博大精深，有数不清的特性，而且随着时间还会不断变化更新。不过，大多数人都用不着学会所有的C 特性，因为许多东西一辈子都用不到。
作为SLAM研究人员，我们面对的主要是算法层面的开发，所以更关心如何有效地实现各种相关的算法。而相对的，那些复杂的软件架构，设计模式，我个人认为在SLAM中倒是占次要地位的。毕竟，用SLAM的目的是计算一个位置以及建个地图，并不是要去写一套能够自动更新的、多人网上对战功能的机器人大战平台。
你的主要精力可能会花在矩阵运算、分块、非线性优化的实现、图像处理上面；你可能对并发、指令集加速、GPU加速等话题感兴趣，也可以花点时间学习；你还可能想用模板来拓展你的算法，也不妨一试。
相应的，很多功能性的东西，比如说UI、网络通信等等，当你用到的时候不妨接触一下，但专注于SLAM上时就不必专门去学习了。
话虽这样说，SLAM所需的C 水平，大抵要高于你在书本上看到的那些个示例代码。因为那些代码是作者用来向初学者介绍语法的，所以会尽量简单。而实际见到的代码往往结合了各种奇特的技巧，乍看起来会显得高深莫测。
GeoTalks
研究SLAM，对编程的要求有多高？半闲居士·2016-11-22 19:16
说到SLAM，许多人会提MATLAB，主要原因是大多数人本科阶段接触的都是MATLAB，所以希望之后研究SLAM也用它。
MATLAB确实有很多优点：语法简单，开发速度快，调试方便，功能丰富。然而，在SLAM领域，MATLAB缺点也很明显，主要是这三个：
1.需要正版软件（你不能实机上也装个盗版MATLAB吧）；
2.运行效率不高；
3.需要一个巨大的安装包。
而相对的，C 的优势在于直接使用，有很高的运行效率，不过开发速度和调试方面慢于MATLAB。
不过光运行效率这一条，就够许多SLAM方案选择C 作为开发语言了，因为运行效率真的很重要。
同一个算法，如果拿MATLAB写的不能实现实时，而拿C 写的能实现实时的话，你说用哪个？
当然，MATLAB也有一些用武之地。我见过一些SLAM相关的公开课程，让学生用MATLAB做仿真，交作业，这没有问题，比如SLAM toolbox 。
同样的，比较类似于MATLAB的Python（以及octave）亦常被用于此道。它们在开发上的快捷带来了很多便利，当你想要验证一些数学理论、思想时，这些都是不错的工具。技多不压身，掌握MATLAB和Python当然是很棒的。
但是一牵涉到实用，你会发现几乎所有的方案都在用C 。 因为运行效率实在是太重要了。
那既然有心思学MATLAB，为什么不学好C 呢？
接下来说说C 大概要学到什么程度
用程序员的话说，C 语言比较特殊，你可以说自己精通了Java，但千万不要说自己精通了C 。C 非常之博大精深，有数不清的特性，而且随着时间还会不断变化更新。不过，大多数人都用不着学会所有的C 特性，因为许多东西一辈子都用不到。
作为SLAM研究人员，我们面对的主要是算法层面的开发，所以更关心如何有效地实现各种相关的算法。而相对的，那些复杂的软件架构，设计模式，我个人认为在SLAM中倒是占次要地位的。毕竟，用SLAM的目的是计算一个位置以及建个地图，并不是要去写一套能够自动更新的、多人网上对战功能的机器人大战平台。
你的主要精力可能会花在矩阵运算、分块、非线性优化的实现、图像处理上面；你可能对并发、指令集加速、GPU加速等话题感兴趣，也可以花点时间学习；你还可能想用模板来拓展你的算法，也不妨一试。
相应的，很多功能性的东西，比如说UI、网络通信等等，当你用到的时候不妨接触一下，但专注于SLAM上时就不必专门去学习了。
话虽这样说，SLAM所需的C 水平，大抵要高于你在书本上看到的那些个示例代码。因为那些代码是作者用来向初学者介绍语法的，所以会尽量简单。而实际见到的代码往往结合了各种奇特的技巧，乍看起来会显得高深莫测。比方说你在教科书里看的大概是这样：
int main ( int argc, char** argv )
{
vectorltstringgt vec
vec.push_back(abc)
for ( int i0 () i )
{
// ...
}
return 0
}
你看了C Primer Plus，觉得C 也不过如此，并没有啥特别难以理解的地方。然而实际代码大概是这样的：
嵌套的模板类（来自g2o的块求解器）：
g2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt::LinearSolverType* linearSolver new g2o::LinearSolverDenseltg2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt::PoseMatrixTypegt() g2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt* solver_ptr new g2o::BlockSolverlt g2o::BlockSolverTraitslt3,1gt gt( linearSolver ) g2o::OptimizationAlgorithmLevenberg* solver new g2o::OptimizationAlgorithmLevenberg( solver_ptr )g2o::SparseOptimizer optimizer ( solver )
模板元（来自ceres的自动求导）：
virtual bool Evaluate(double const* const* parameters,
double* residuals,
double** jacobians) const {
if (!jacobians) {
return internal::VariadicEvaluatelt
CostFunctor, double, N0, N1, N2, N3, N4, N5, N6, N7, N8, N9gt
::Call(*functor_, parameters, residuals)
}
return internal::AutoDiffltCostFunctor, double,
N0, N1, N2, N3, N4, N5, N6, N7, N8, N9gt::Differentiate(
*functor_,
parameters,
SizedCostFunctionltkNumResiduals,
N0, N1, N2, N3, N4,
N5, N6, N7, N8, N9gt::num_residuals(),
residuals,
jacobians)}
C11新特性（来自SVO特征提取部分）
void Frame::setKeyPoints(){
for(size_t i 0 i lt 5 i)
if(key_pts_[i] ! NULL)
if(key_pts_[i]-gtpoint NULL)
key_pts_[i] NULL
std::for_each(fts_.begin(), fts_.end(), [amp](Feature* ftr){ if(ftr-gtpoint ! NULL) checkKeyPoints(ftr) })}
谜之运算（来自SVO的深度滤波器）：
void DepthFilter::updateSeed(const float x, const float tau2, Seed* seed){
float norm_scale sqrt(seed-gtsigma2 tau2)
if(std::isnan(norm_scale))
return
boost::math::normal_distributionltfloatgt nd(seed-gtmu, norm_scale)
float s2 1./(1./seed-gtsigma2 1./tau2)
float m s2*(seed-gtmu/seed-gtsigma2 x/tau2)
float C1 seed-gta/(seed-gta seed-gtb) * boost::math::pdf(nd, x)
float C2 seed-gtb/(seed-gta seed-gtb) * 1./seed-gtz_range
float normalization_constant C1 C2
C1 / normalization_constant
C2 / normalization_constant
float f C1*(seed-gta 1.)/(seed-gta seed-gtb 1.) C2*seed-gta/(seed-gta seed-gtb 1.)
float e C1*(seed-gta 1.)*(seed-gta 2.)/((seed-gta seed-gtb 1.)*(seed-gta seed-gtb 2.))
C2*seed-gta*(seed-gta 1.0f)/((seed-gta seed-gtb 1.0f)*(seed-gta seed-gtb 2.0f))
// update parameters
float mu_new C1*m C2*seed-gtmu
seed-gtsigma2 C1*(s2 m*m) C2*(seed-gtsigma2 seed-gtmu*seed-gtmu) - mu_new*mu_new
seed-gtmu mu_new
seed-gta (e-f)/(f-e/f)
seed-gtb seed-gta*(1.0f-f)/f}
我不知道你们看到这些代码是什么心情，总之我当时内心的感受是：这怎么和教科书里的完全不一样啊！而且研究了半天发现人家居然是对的啊！
[我不是很擅长贴表情图总之你们脑补一下就好]
总而言之，对C 的水平要求应该是在教科书之上的。而且这个水平的提高，多数时候建立在你不断地看别人代码、码自己代码的过程之上。它是反复练习出来的，并不是仅仅通过看书就能领会的。特别是对于视觉SLAM问题，很多时候你没法照着论文把一套方案实现出来，这很大程度上取决于你的理论和代码功底。
所以，请尽早开始学习C ，尽早开始使用C ，才是研究SLAM的正确之道。
不要长期彷徨在自己的舒适区里犹豫不决，这样是没有进步的。（同样的道理亦适用于想研究SLAM但不愿意学习Linux的朋友们）
关于闭环检测的库，稍微列几个
1.DBoW系列
来自TRO12的一篇文章，里头用k-means 训练的字典树。与OpenCV结合紧密，原理亦比较简单。
GitHub - dorian3d/DBoW2: Enhanced hierarchical bag-of-word library for C （）
GitHub - rmsalinas/DBow3: Improved version of DBow2
（）
2.FABMAP系列
用了Chow-Liu树，来自Cummins的一系列论文。作者自己提供过一个开源版本，OpenCV也有人实现了一个，所以一共两种。
FabMap原版（~）
OpenCV：OpenFABMAP
（）
3.DLoopDetector
在DBoW2基础上开发的回环检测库（）
建议从DBoW2或者DBoW3开始入手研究。原理和实现都相对简单一些，效果也比较好。