深度学习确实为计算机视觉领域带来了革命性突破，让机器在某些任务中甚至超越了人类——图像分类就是最典型的例证。但问题是，深度学习真的彻底取代了传统计算机视觉技术吗？一个在开发者社区中反复被提及的疑问是：“既然深度学习如此强大，还有必要学习那些旧方法吗？”答案是：深度学习只是工具箱里的一把锤子，而非万能螺丝刀。本文将从多个角度阐释，为什么传统计算机视觉技术仍然不可或缺，并且掌握它甚至能让你更高效地运用深度学习。

背景知识

在深度学习成为主流之前，进行图像分类通常要经历一个名为“特征提取”的步骤。所谓特征，就是图像中那些“有趣的”、具有描述性或信息量的局部区域。你需要借助各种传统计算机视觉手段——比如边缘检测、角点检测、对象检测等——来定位这些特征。接着，从属于同一类别（例如椅子、马匹）的图像中提取尽可能多的特征，并将这些特征集合视为该类别的“定义”（也就是“词袋”）。随后，在其他图像中搜索这些定义——如果某张图像包含了足够多的相关特征，就将其归入该类别。

这一方法的难点在于：每张图像中需要寻找哪些特征，完全依赖你手动判断。当分类类别增多（比如超过10或20个），工作会变得极其繁琐甚至不可行。你是寻找角点？边缘？还是纹理？不同对象往往需要不同类型的特征描述符。如果选取的特征过多，参数空间会急剧膨胀，而且你必须亲自反复调参。

深度学习引入了“端到端学习”的概念。简单来说，就是让机器自动学会在每个类别中寻找最具描述性和区分性的特征。神经网络能够自主发现图像中的隐含模式，你不再需要手动选择传统视觉技术来提取特征。正如《连线》杂志所描述的那样：

举例来说，如果你想教会一个[深度]神经网络识别猫咪，你无需告诉它要寻找胡须、耳朵、毛发或眼睛。你只需要给它展示成千上万张猫咪的图像，它自然会解决这个问题。如果它总是把狐狸误认成猫，你也不必重写代码，只需继续对它进行训练即可。

下图直观地展示了传统特征提取与端到端学习之间的对比：

背景梳理清楚后，我们现在进入正题——为什么传统计算机视觉仍然至关重要。

深度学习需要大量数据

首先，深度学习是个“数据饕餮”。那些知名的图像分类模型都是在庞大数据集上训练而成的。排名前三的训练集规模如下：

• ImageNet：150万张图像，1000个对象类别
• COCO：250万张图像，91个对象类别
• PASCAL VOC：50万张图像，20个对象类别

训练不良的模型一旦脱离训练环境，表现很可能一塌糊涂。因为机器并未真正理解问题本质，它只是记住了所见的模式。深度学习模型内部包含数百万个参数，调整起来如同黑箱——你很难深入其中手动纠错。

传统计算机视觉则完全透明。你可以直接评估解决方案在训练环境之外的适用性，并将自己的领域知识融入算法。哪个环节出了问题，你能够清晰地知道需要调整什么以及如何调整。这种可控性在数据不足或场景多变时显得尤为珍贵。

深度学习有时会过度复杂化

这一点我最想强调。训练一个深度神经网络需要大量的时间和专用硬件（例如高性能GPU）。如果你想用自己还算不错的笔记本电脑来训练最新的图像分类模型？恐怕你得请一周假，回来后可能还没跑完。如果模型表现不佳，你还要回到原点更换一组训练参数重新开始——这个过程可能重复上百次。

然而，在很多情况下这些折腾完全是多余的。传统计算机视觉技术能用更少的代码、更短的时间解决问题。举个例子：我曾参与一个项目，需要检查传送带上每个罐子里是否有一个红勺子。你可以选择深度学习的路线，花几天甚至几周训练一个勺子检测模型；也可以写一个简单的基于红色阈值的算法——将像素中红色范围内的标记为白色，其余标记为黑色，然后统计白色像素的数量。一个小时就搞定了。

因此，掌握传统计算机视觉技术能帮你节省大量时间和不必要的麻烦。在合适的地方使用合适的工具，才是明智之举。

传统计算机视觉能提升你的深度学习水平

理解传统技术实际上能让你把深度学习运用得更加得心应手。计算机视觉领域最常用的神经网络是卷积神经网络。但卷积究竟是什么？它本质上是一种图像处理技术，索贝尔边缘检测使用的正是卷积。搞懂这一点，你就能更好地理解神经网络内部的工作机制，从而更有针对性地设计和微调模型。

再比如预处理。你喂给模型的数据通常需要先进行准备，而这些预处理步骤大多依赖传统计算机视觉技术。例如，当训练数据不足时，可以做“数据增强”：对训练集中的图像随机旋转、平移、裁剪等，生成“新”图像。这些操作本身都是标准的计算机视觉处理，却能显著增加训练数据量，提升模型的泛化能力。

结论

回到开头的问题：深度学习无法也不可能取代传统计算机视觉。第一，深度学习需要海量数据才能表现良好，而现实场景中数据往往不够——传统方法恰好能填补这个缺口。第二，针对特定简单任务，深度学习会“杀鸡用牛刀”，传统视觉技术更高效、更简洁。第三，掌握传统技术反而能让你在深度学习上做得更好——你既能理解模型内部机制，也能利用预处理手段优化结果。

深度学习是一种强大的计算机视觉工具，但绝不是包治百病的灵丹妙药。不要因为流行就一股脑地往上堆，选对工具才是关键。