機器視覺與計算機視覺

什么是計算機視覺

計算機視覺是人工智能正在快速發展的一個熱點分支，計算機視覺是一門關于如何運用照相機和計算機來獲取被拍攝對象的數據與信息的學問。形象地說，就是給計算機安裝上眼睛（照相機）和大腦（算法），讓計算機能夠感知環境，可以用機器代替人眼來做出對被拍攝場景的識別、判斷和進一步的處理。

計算機視覺，圖象處理，圖像分析，機器人視覺和機器視覺，如果你翻開帶有上面這些名字的教材，你會發現在技術和應用領域上他們都有著相當大部分的重疊。各研究機構，學術期刊，會議及公司往往把自己特別的歸為其中某一個領域，于是各種各樣的用來區分這些學科的特征便被提了出來。

計算機視覺應用的主要實例：

（1）過程控制，比如，工業機器人 。

（2）自動檢測，例如，流水線的產品尺寸測量和產品缺陷檢測。

（3）定位導航，例如，通過自主汽車或移動機器人。

（4）事件檢測，例如，對人員密集區的視頻監控和人數統計。

（5）人臉識別，例如，身份識別和自動考勤系統。

（6）造型對象，比如，醫學圖像分析系統和地形模型。

（7）車輛識別，例如，自動停車場和交通違章自動跟蹤。

其中最突出的應用領域是工廠自動化檢測和醫療醫學圖像處理。

機器視覺是計算機視覺在工廠自動化的一個應用領域，機器視覺已經有30多年的商業應用歷史了，是目前計算機視覺被大量成功應用的成熟案例。機器視覺系統最基本的特點就是提高生產的靈活性和自動化程度。在一些不適于人工作業的危險工作環境或者人工視覺難以滿足要求的場合，機器視覺是剛性需求市場。在大批量重復性工業生產過程中，用機器視覺檢測方法可以大大提高生產的效率和節約人工成本，節約的人工成本越顯著，這類需求就越旺盛。

醫療領域的醫學圖像分析。通常，圖像數據是在形式顯微鏡圖像，X射線圖像，血管造影圖像，超聲圖像和斷層圖像。的信息，可以從這樣的圖像數據中提取的一個例子是檢測的腫瘤，動脈粥樣硬化或其他惡性變化。它也可以是器官的尺寸，血流量等。這種應用領域還支持通過提供新的信息，醫學研究的測量例如，對腦的結構，或約醫學治療的質量。計算機視覺在醫療領域的應用還包括增強是由人類的解釋，例如超聲圖像或X射線圖像，以降低噪聲的影響的圖像。

比較新的應用領域是人臉識別、車牌識別和無人駕駛這個三個新型領域。前兩項應用在最近兩年的時間里已經取得空前的成功，隨處都可見到。在無人駕駛領域，有數家汽車制造商已經證明了系統的汽車自動駕駛可以依靠計算機視覺，但該技術還沒有達到一定的水平，仍然在實驗階段。當然，太空探索已經正在使用計算機視覺了，比如美國宇航局的火星探測漫游者和歐洲航天局的ExoMars火星漫游者都使用了計算機視覺導航技術。

計算機視覺的基本構成

計算機視覺系統的結構形式很大程度上依賴于其具體應用方向。有些是獨立工作的，用于解決具體的測量或檢測問題；也有些作為某個大型復雜系統的組成部分出現，比如和機械控制系統。計算機視覺系統的具體實現方法同時也由其功能決定——是預先固定的抑或是在運行過程中自動學習調整。盡管如此，有些功能卻幾乎是每個計算機系統都需要具備的：

圖像獲取

一幅數字圖像是由一個或多個圖像感知器產生，這里的感知器可以是各種光敏攝像機，包括遙感設備，X射線斷層攝影儀，雷達，超聲波接收器等。取決于不同的感知器，產生的圖片可以是普通的二維圖像，三維圖組或者一個圖像序列。圖片的像素值往往對應于光在一個或多個光譜段上的強度（灰度圖或彩色圖），但也可以是相關的各種物理數據，如聲波，電磁波或核磁共振的深度，吸收度或反射度。

預處理

在對圖像實施具體的計算機視覺方法來提取某種特定的信息前，一種或一些預處理往往被采用來使圖像滿足后繼方法的要求。例如：

二次取樣保證圖像坐標的正確；

平滑去噪來濾除感知器引入的設備噪聲；

提高對比度來保證實現相關信息可以被檢測到；

調整尺度空間使圖像結構適合局部應用。

檢測分割和特征提取

在圖像處理過程中，需要對圖像進行分割來提取有價值的用于后繼處理，分割一或多幅圖片中含有特定目標的部分。然后從圖像中提取各種復雜度的特征。例如：

線，邊緣提??；

局部化的特征點檢測如邊角檢測，斑點檢測；

更復雜的特征可能與圖像中的紋理形狀或運動有關。

特征信息的高級處理

到了這一步，數據往往具有很小的數量，例如圖像中經先前處理被認為含有目標物體的部分。這時的處理包括：

驗證得到的數據是否符合前提要求；

估測特定系數，比如目標的姿態，體積；

對目標進行分類。

高級處理有理解圖像內容的含義，是計算機視覺中的高階處理，主要是在圖像分割的基礎上再經行對分割出的圖像塊進行理解，例如進行識別等操作。

計算機視覺與人工智能

計算機視覺領域的突出特點是其多樣性與不完善性。這一領域的先驅可追溯到更早的時候，但是直到20世紀70年代后期，當計算機的性能提高到足以處理諸如圖像這樣的大規模數據時，計算機視覺才得到了正式的關注和發展。然而這些發展往往起源于其他不同領域的需要，因而何謂“計算機視覺問題”始終沒有得到正式定義，很自然地，“計算機視覺問題”應當被如何解決也沒有成型的公式。

現在，人們已開始掌握部分解決具體計算機視覺任務的方法，這些方法通常都僅適用于一類特定的目標任務（如：臉孔、指紋、文字等）。在計算機視覺的大多數實際應用當中，計算機被預設為解決特定的任務，然而基于機器學習的方法正日漸普及，一旦機器學習的研究進一步發展，未來“泛用型”的電腦視覺應用或許可以成真。

人工智能所研究的一個主要問題是：如何讓系統具備“計劃”和“決策能力”？從而使之完成特定的技術動作（例如：移動一個機器人通過某種特定環境）。這一問題便與計算機視覺問題息息相關。在這里，計算機視覺系統作為一個感知器，為決策提供信息。另外一些研究方向包括模式識別和機器學習（這也隸屬于人工智能領域，但與計算機視覺有著重要聯系），也由此，計算機視覺時常被看作人工智能與計算機科學的一個重要分支。