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 kornia
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。
