机器视觉与计算机视觉

什么是计算机视觉

计算机视觉是人工智能正在快速发展的一个热点分支，计算机视觉是一门关于如何运用照相机和计算机来获取被拍摄对象的数据与信息的学问。形象地说，就是给计算机安装上眼睛（照相机）和大脑（算法），让计算机能够感知环境，可以用机器代替人眼来做出对被拍摄场景的识别、判断和进一步的处理。

计算机视觉，图象处理，图像分析，机器人视觉和机器视觉，如果你翻开带有上面这些名字的教材，你会发现在技术和应用领域上他们都有着相当大部分的重叠。各研究机构，学术期刊，会议及公司往往把自己特别的归为其中某一个领域，于是各种各样的用来区分这些学科的特征便被提了出来。

计算机视觉应用的主要实例：

（1）过程控制，比如，工业机器人 。

（2）自动检测，例如，流水线的产品尺寸测量和产品缺陷检测。

（3）定位导航，例如，通过自主汽车或移动机器人。

（4）事件检测，例如，对人员密集区的视频监控和人数统计。

（5）人脸识别，例如，身份识别和自动考勤系统。

（6）造型对象，比如，医学图像分析系统和地形模型。

（7）车辆识别，例如，自动停车场和交通违章自动跟踪。

其中最突出的应用领域是工厂自动化检测和医疗医学图像处理。

机器视觉是计算机视觉在工厂自动化的一个应用领域，机器视觉已经有30多年的商业应用历史了，是目前计算机视觉被大量成功应用的成熟案例。机器视觉系统最基本的特点就是提高生产的灵活性和自动化程度。在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，机器视觉是刚性需求市场。在大批量重复性工业生产过程中，用机器视觉检测方法可以大大提高生产的效率和节约人工成本，节约的人工成本越显著，这类需求就越旺盛。

医疗领域的医学图像分析。通常，图像数据是在形式显微镜图像，X射线图像，血管造影图像，超声图像和断层图像。的信息，可以从这样的图像数据中提取的一个例子是检测的肿瘤，动脉粥样硬化或其他恶性变化。它也可以是器官的尺寸，血流量等。这种应用领域还支持通过提供新的信息，医学研究的测量例如，对脑的结构，或约医学治疗的质量。计算机视觉在医疗领域的应用还包括增强是由人类的解释，例如超声图像或X射线图像，以降低噪声的影响的图像。

比较新的应用领域是人脸识别、车牌识别和无人驾驶这个三个新型领域。前两项应用在最近两年的时间里已经取得空前的成功，随处都可见到。在无人驾驶领域，有数家汽车制造商已经证明了系统的汽车自动驾驶可以依靠计算机视觉，但该技术还没有达到一定的水平，仍然在实验阶段。当然，太空探索已经正在使用计算机视觉了，比如美国宇航局的火星探测漫游者和欧洲航天局的ExoMars火星漫游者都使用了计算机视觉导航技术。

计算机视觉的基本构成

计算机视觉系统的结构形式很大程度上依赖于其具体应用方向。有些是独立工作的，用于解决具体的测量或检测问题；也有些作为某个大型复杂系统的组成部分出现，比如和机械控制系统。计算机视觉系统的具体实现方法同时也由其功能决定——是预先固定的抑或是在运行过程中自动学习调整。尽管如此，有些功能却几乎是每个计算机系统都需要具备的：

图像获取

一幅数字图像是由一个或多个图像感知器产生，这里的感知器可以是各种光敏摄像机，包括遥感设备，X射线断层摄影仪，雷达，超声波接收器等。取决于不同的感知器，产生的图片可以是普通的二维图像，三维图组或者一个图像序列。图片的像素值往往对应于光在一个或多个光谱段上的强度（灰度图或彩色图），但也可以是相关的各种物理数据，如声波，电磁波或核磁共振的深度，吸收度或反射度。

预处理

在对图像实施具体的计算机视觉方法来提取某种特定的信息前，一种或一些预处理往往被采用来使图像满足后继方法的要求。例如：

二次取样保证图像坐标的正确；

平滑去噪来滤除感知器引入的设备噪声；

提高对比度来保证实现相关信息可以被检测到；

调整尺度空间使图像结构适合局部应用。

检测分割和特征提取

在图像处理过程中，需要对图像进行分割来提取有价值的用于后继处理，分割一或多幅图片中含有特定目标的部分。然后从图像中提取各种复杂度的特征。例如：

线，边缘提取；

局部化的特征点检测如边角检测，斑点检测；

更复杂的特征可能与图像中的纹理形状或运动有关。

特征信息的高级处理

到了这一步，数据往往具有很小的数量，例如图像中经先前处理被认为含有目标物体的部分。这时的处理包括：

验证得到的数据是否符合前提要求；

估测特定系数，比如目标的姿态，体积；

对目标进行分类。

高级处理有理解图像内容的含义，是计算机视觉中的高阶处理，主要是在图像分割的基础上再经行对分割出的图像块进行理解，例如进行识别等操作。

计算机视觉与人工智能

计算机视觉领域的突出特点是其多样性与不完善性。这一领域的先驱可追溯到更早的时候，但是直到20世纪70年代后期，当计算机的性能提高到足以处理诸如图像这样的大规模数据时，计算机视觉才得到了正式的关注和发展。然而这些发展往往起源于其他不同领域的需要，因而何谓“计算机视觉问题”始终没有得到正式定义，很自然地，“计算机视觉问题”应当被如何解决也没有成型的公式。

现在，人们已开始掌握部分解决具体计算机视觉任务的方法，这些方法通常都仅适用于一类特定的目标任务（如：脸孔、指纹、文字等）。在计算机视觉的大多数实际应用当中，计算机被预设为解决特定的任务，然而基于机器学习的方法正日渐普及，一旦机器学习的研究进一步发展，未来“泛用型”的电脑视觉应用或许可以成真。

人工智能所研究的一个主要问题是：如何让系统具备“计划”和“决策能力”？从而使之完成特定的技术动作（例如：移动一个机器人通过某种特定环境）。这一问题便与计算机视觉问题息息相关。在这里，计算机视觉系统作为一个感知器，为决策提供信息。另外一些研究方向包括模式识别和机器学习（这也隶属于人工智能领域，但与计算机视觉有着重要联系），也由此，计算机视觉时常被看作人工智能与计算机科学的一个重要分支。