探索图像处理、计算机视觉与机器视觉

AI 可以用来分析各种数据，而对于图像和视频等视觉数据，这就属于图像分析的领域，它涉及不同的技术。图像 processing、computer vision 和 machine vision 使计算机能够通过分析图像和视频帧来观察和理解世界。尽管这三项技术看起来相似，但关键的区别使它们适用于各种应用。图像处理专注于操作和增强图像与视频帧，而 computer vision 则更进一步，利用这些processed images帮助计算机解释和理解其内容。另一方面，machine vision 将 computer vision techniques 具体应用于工业环境，例如inspections and quality control任务。

Fig 1. 用于分析视觉数据的关键技术。

这三个领域在许多行业中促成了各种应用，例如healthcare、manufacturing和agriculture。在本文中，我们将探讨图像处理、computer vision 和 machine vision，并讨论它们的区别。我们还将介绍它们的工作原理以及它们在各个行业中的应用方式。我们开始吧。

什么是图像处理？#

让我们从计算机视觉和机器视觉背后的基础技术开始：图像处理。它涉及使用算法来处理和增强数字图像，调整亮度、对比度、色彩平衡等参数，或者过滤噪声，从而为更高级的分析和解读做好准备。

让我们来看看它是如何工作的。图像处理通过将图像分解为单个像素，然后操纵这些像素来实现预期效果。例如，为了提高图像亮度，算法可能会增加每个像素的强度。同样，为了检测边缘，它可能会寻找像素值的突变。通过将数学运算和算法应用于这些像素，图像处理可用于增强图像质量、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具有清晰高质量图像的视觉数据集也至关重要，并有助于 computer vision 和 machine vision 系统准确地对其进行分析。像 OpenCV 和 MATLAB 这样的库提供了强大的框架，使这些图像处理技术对各个领域的开发人员和研究人员都触手可及。

以下是一些常用的图像处理技术：

• Filtering： 应用滤波可以通过平滑变化和畸变来降低图像中的噪声水平。一些常见的滤波器包括用于blurring的高斯滤波器和用于去除椒盐噪声（表现为随机的白点和黑点）的中值滤波器。
• Edge detection： 它通过检测像素强度的急剧变化来识别图像中物体的边界。像medical imaging这样的应用使用边缘检测来勾勒器官和肿瘤的结构。
• 阈值处理（Thresholding）： 图像处理中的阈值处理涉及通过设置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。阈值处理前后的灰度图像。

探索图像处理的应用#

Image restoration 是图像处理应用的一个很好的例子。它包括恢复随时间降级的图像。诸如滤波和降噪等技术用于去除标记、划痕、污迹、磨损，并将降级的图像恢复到其原始质量。图像 restoration 在图像质量低下或受损（如旧照片）的情况下特别有用。

Fig 3. 图像处理可用于恢复旧的受损图像。

什么是计算机视觉？#

与侧重于改变和增强图像的图像处理不同，计算机视觉赋予了计算机观察和理解现实世界的能力。许多应用使用计算机视觉来识别和理解图像或视频帧中的物体和人物。它模拟人类视觉，并尝试复制我们理解周围事物的方式。

Computer vision 可用于自动执行诸如surveillance之类的任务。它还具有广泛的实际应用，如facial recognition、medical imaging和autonomous vehicles。Computer vision 模型使用深度学习技术进行训练，从大规模image datasets中提取和识别复杂的特征和模式。然后，各个行业将这些经过训练的模型（例如 Ultralytics YOLOv8）用于不同的任务，例如object detection和object tracking。

Fig 4. 使用 Ultralytics YOLOv8 进行 object detection 的示例。

例如，像特斯拉这样的self-driving cars使用 computer vision 来在现实世界中导航。汽车车载摄像头捕获的镜头会使用 computer vision 进行处理。Computer vision 任务，如object detection, tracking和segmentation，对于understanding traffic情况及周围环境至关重要。另一个有趣的应用程序是人脸识别。Computer vision 可用于通过从image或video中捕获人的脸部、识别关键特征并将其与存储的人脸数据数据库进行比较，来分析和识别人脸特征。

什么是机器视觉？#

Machine vision is used in industrial settings（如大型制造工厂或生产设施），用于确保产品质量以及检查成品上标签和条形码正确性等应用。Machine vision 是 computer vision 的一个专业分支，依赖于耐用的硬件才能在恶劣条件下有效运行。由于这些系统与工业应用集成在一起，因此高速和实时准确性至关重要。

让我们看看它是如何工作的。首先，使用一个或多个高分辨率相机收集数据。这些相机还可能包含红外或thermal imaging等专业功能。然后，使用 computer vision 技术对collected data进行分析，以提取所需的信息。提取的信息通常包括物体识别、形状、大小、运动、图案以及场景中存在的任何异常等详细信息，具体取决于特定的应用。

了解机器视觉的应用#

manufacturing production线上的质量控制可确保只有高质量的产品到达客户手中，从而提高客户满意度和利润。传统方法通常依赖于人工检查，这可能非常耗时且容易出现人为错误。不良的质量控制还可能导致生产延迟和财务损失，从而影响公司的声誉。一个绝佳的解决方案是在 machine vision 的帮助下自动执行诸如表面检查、标签验证和物体定位等任务。

例如，在pharmaceutical industry中，产品质量至关重要，并且会执行严格的法规以维持高标准。Machine vision 可用于确保泡罩包装包含正确数量的药丸，验证每个包装是否具有恰到求是的数量，例如 10 包装中的十粒药丸。可以使用像 YOLOv8 这样的 computer vision 模型来识别和count the pills using object detection。

Fig 5. Machine vision 可用于制药行业的质量控制。

然而，重要的是要注意，在使用 machine vision 时需要考虑一些局限性。Machine vision系统通常需要极佳的光照条件来illuminate工业环境中的产品。还需要高质量的相机、processors, and hardware accelerators来捕获数据并加速分析过程。这些系统专为工业环境中的实际任务而设计的一个直接结果是，它们的搭建成本可能很高。

图像处理、计算机视觉和机器视觉的关键区别#

现在我们已经分别讨论了这三项技术并查看了一些应用，让我们更仔细地进行对比。

Fig 6. 图像处理、computer vision 和 machine vision 的并排比较。

图像处理最适合需要较少计算能力且不需要理解复杂视觉信息能力的任务，例如调整亮度或噪声滤波。另一方面，computer vision 擅长从图像中提取有意义的见解并处理复杂的场景，但它需要更多的计算资源和复杂性。同时，machine vision专为工业用途（如自动化检查）量身定制，并且通常由专业且昂贵的系统支持。

纵观全局#

虽然图像处理、计算机视觉和机器视觉密切相关，但它们各自服务于不同的目的。图像处理在像素级别增强和操作图像，使其在图像重建等任务中非常有用。

另一方面，计算机视觉更进一步，赋予计算机理解视觉数据并赋予其意义的能力。它对于面部识别和自动驾驶汽车等用例至关重要。此外，机器视觉专门用于工业应用。它实现了检查和质量控制等工业流程的自动化。

通过了解这些技术及其区别，你可以为你的应用选择最合适的技术，从而提高效率并获得更好的结果。

让我们一起学习和探索！查看我们的GitHub repository以了解我们对 AI 的贡献，别忘了与我们的community互动。了解我们如何通过尖端的 AI 技术重新定义manufacturing和healthcare等行业。