探索图像处理、计算机视觉和机器视觉

AI 可用于分析各种数据。对于图像和视频等视觉数据，这属于图像分析领域，其中涉及多种技术。图像处理、计算机视觉和机器视觉让计算机能够通过分析图像和视频帧来观察和理解世界。尽管这三种技术看似相似，但它们之间的关键差异使其适用于各种应用。图像处理侧重于修改和增强图像及视频帧；计算机视觉则更进一步，利用处理后的图像帮助计算机解读和理解其中的内容。另一方面，机器视觉将计算机视觉技术专门应用于工业环境，例如用于检测和质量控制任务。

图 1。用于分析视觉数据的关键技术。

这三个领域支持医疗、制造和农业等众多行业的各种应用。本文将介绍图像处理、计算机视觉和机器视觉，并讨论它们之间的区别。我们还将说明它们的工作原理，以及它们在各行各业中的应用方式。

什么是图像处理？#

先从计算机视觉和机器视觉背后的基础技术——图像处理——说起。图像处理通过算法修改和增强数字图像，调整亮度、对比度、色彩平衡等参数，或滤除噪声，为后续更高级的分析和解读做好准备。

我们来看看它的工作原理。图像处理会将图像分解为单个像素，然后对这些像素进行处理，以实现所需效果。例如，为了提高图像亮度，算法可能会增强每个像素的强度。同样，为了检测边缘，算法可能会查找像素值的突变。通过对这些像素应用数学运算和算法，图像处理可以提升图像质量、提取信息或创建新图像。

图像处理技术对于数据处理和创建清晰、高质量图像的视觉数据集也至关重要，并有助于计算机视觉和机器视觉系统准确分析这些图像。OpenCV 和 MATLAB 等库提供了强大的框架，让各领域的开发者和研究人员都能使用这些图像处理技术。

以下是一些常用的图像处理技术：

• 滤波：滤波通过平滑变化和失真来降低图像中的噪声。常见滤波器包括用于模糊处理的高斯滤波器，以及用于去除椒盐噪声的中值滤波器。椒盐噪声表现为随机分布的黑白像素。
• 边缘检测：通过检测像素强度的急剧变化，识别图像中物体的边界。医学成像等应用会使用边缘检测来勾勒器官和肿瘤的结构。
• 阈值处理：图像处理中的阈值处理是通过设定阈值，将灰度图像转换为二值图像。高于阈值的像素变为白色 (1)，低于阈值的像素变为黑色 (0)。

图 2. 阈值化前后的灰度图像。

探索图像处理的一种应用#

图像修复是图像处理应用的一个典型例子。它旨在恢复随时间推移而退化的图像。人们会使用滤波和降噪等技术去除标记、划痕、污渍和磨损，让退化的图像恢复到原有质量。图像修复在图像质量较低或已受损的情况下尤其有用，例如修复老照片。

图 3.图像处理可用于修复受损的旧图像。

什么是计算机视觉？#

图像处理侧重于修改和增强图像，而计算机视觉赋予计算机观察和理解现实世界的能力。许多应用利用计算机视觉识别并理解图像或视频帧中的物体和人物。它试图模拟我们理解周围所见事物的方式。

计算机视觉可用于自动执行监控等任务，也有许多实际应用，例如人脸识别、医学成像和自动驾驶汽车。计算机视觉模型利用深度学习技术进行训练，从大规模图像数据集中提取并识别复杂特征和模式。各行各业随后会使用这些训练好的模型（例如 Ultralytics YOLOv8）执行目标检测和目标跟踪等不同任务。

图 4。使用 Ultralytics YOLOv8 进行目标检测的示例。

例如，Tesla 等自动驾驶汽车会使用计算机视觉在现实世界中导航。车载摄像头采集的画面会通过计算机视觉进行处理。目标检测、跟踪和分割等计算机视觉任务对于理解交通状况和周围环境至关重要。另一个有趣的应用是人脸识别。计算机视觉可以通过从图像或视频中捕捉人脸、识别关键特征并与存储的人脸数据进行比对，来分析和识别图像中的面部特征。

什么是机器视觉？#

机器视觉用于大型制造工厂或生产设施等工业环境，应用包括确保产品质量，以及检查成品上的标签和条形码是否正确。机器视觉是计算机视觉的一个专门分支，依靠耐用硬件在严苛环境中有效运行。由于这些系统集成于工业应用中，因此高速运行和实时精准度至关重要。

下面来看看它的工作原理。首先，使用一台或多台高分辨率摄像头采集数据。这些摄像头也可能配备红外成像或热成像等专用功能。然后，使用计算机视觉技术分析采集的数据，提取所需信息。根据具体应用，提取的信息通常包括场景中的物体识别结果、形状、尺寸、运动、模式和异常情况等细节。

了解机器视觉的一种应用#

制造生产线上的质量控制可确保只有高质量产品到达客户手中，从而提高客户满意度并增加利润。传统方法通常依赖人工检查，这既耗时又容易出现人为错误。质量控制不佳还可能导致生产延误和经济损失，损害公司的声誉。一个有效的解决方案是借助机器视觉，将表面检查、标签验证和物体定位等任务自动化。

例如，在制药行业，产品质量至关重要，严格的法规旨在确保高标准。机器视觉可用于确保泡罩包装中的药片数量正确，验证每个包装都包含准确数量的药片，例如十片装中恰好有十片。使用 Medical Pills 等数据集训练的 YOLOv8 等计算机视觉模型，可用于识别并通过目标检测来统计药片。

图 5。机器视觉可用于制药行业的质量控制。

不过，使用机器视觉时也要注意一些局限性。在工业环境中，机器视觉系统通常需要出色的照明条件来照亮产品。采集数据并加快分析过程还需要高质量摄像头、处理器和硬件加速器。这些系统专为工业环境中的实际任务设计，因此部署成本可能很高。

图像处理、计算机视觉和机器视觉的主要区别#

现在我们已经分别讨论了这三种技术并了解了一些应用，接下来并排对比一下它们。

图 6.图像处理、计算机视觉和机器视觉的并排对比。

图像处理最适合调整亮度或过滤噪声等任务，这类任务所需计算能力较低，也不需要理解复杂视觉信息。另一方面，计算机视觉擅长从图像中提取有意义的洞察并处理复杂场景，但需要更多计算资源，复杂度也更高。机器视觉则专为自动检测等工业用途而设计，通常需要专用且昂贵的系统支持。

纵观全局#

图像处理、计算机视觉和机器视觉密切相关，但各自用途不同。图像处理在像素级增强和修改图像，因此非常适用于图像修复等任务。

另一方面，计算机视觉更进一步，赋予计算机理解和解读视觉数据的能力。它对于人脸识别和自动驾驶汽车等应用至关重要。此外，机器视觉专门用于工业应用，可自动执行检测和质量控制等工业流程。

了解这些技术及它们之间的差异，可以帮助你为应用选择最合适的技术，从而提高效率并取得更好的结果。

让我们一起学习和探索！访问我们的 GitHub 仓库，了解我们对 AI 的贡献，也别忘了参与我们的社区。看看我们如何利用 AI 技术重新定义制造业和医疗等行业。