什么是图像计算？快速入门

当你走过购物中心或繁忙的公共街道时，入口和人行道上方安装的摄像头会记录周围活动。它们每秒都会生成视觉数据，而我们大多数时候甚至不会注意到。

这股持续不断的数据流为现代 AI 驱动的系统提供支持，从智能安防系统到自动驾驶汽车。这些创新由图像计算推动。图像计算是一个多用途领域，融合了计算机科学、数学和物理学。

图像计算帮助机器理解图像中的内容。它让系统能够识别场景中正在发生的事情，并决定如何运行或作出响应，例如在出现障碍物时让自动驾驶汽车停车。

本文将介绍什么是图像计算，以及它在现代人工智能 (AI)系统中的应用方式。

了解图像计算#

图像计算是使用先进算法采集、处理和分析图像的过程。它将图像视为机器能够理解和处理的数据。

换句话说，每张图像都会被处理为一个数字网格。具体做法是将像素（图像中最小的单位）转换为由行和列组成的矩阵。每个像素都有一个数值，用来告诉机器图像中特定区域的明暗程度。

这些数值的组织方式取决于图像是灰度图还是彩色图。在灰度图中，像素值通常介于 0（黑色）到 255（白色）之间。在彩色图像中，系统会使用多个矩阵表示不同的颜色通道，例如红、绿、蓝（RGB）或色相、饱和度、明度（HSV）。

图 1. 图像的矩阵表示（来源）

除了像素矩阵之外，图像通常还包含称为元数据的隐含上下文信息。元数据提供图像分辨率、位深、摄像头或传感器设置，以及图像的精确拍摄时间等重要细节。图像以特定文件格式存储，以同时保留视觉数据和元数据。

例如，在生物医学图像计算中，图像通常以医学数字成像和通信（DICOM）格式存储。DICOM 将视觉图像数据与患者信息（例如身份信息和设备设置）结合起来，确保医学图像分析准确、一致且安全。

图像计算的工作原理#

现在我们对图像计算有了更深入的了解，接下来看看如何将摄像头画面转化为有用信息。

具体工作流程可能因应用而异，但大多数图像计算系统都包含以下主要阶段：

• 图像采集：首先，使用相机和传感器捕获视觉数据，或从开源图像数据集中获取数据。
• 图像预处理：接着，对采集的图像进行调整大小、降噪和增强，并将其转换为特定色彩空间，以统一输入格式。
• 特征提取：使用深度学习算法学习图像中的重要模式，例如边缘、形状和纹理。
• 解读：分析提取出的特征，以执行目标检测、图像分割和目标跟踪等任务。
• 输出：最后，系统生成结构化输出，例如类别标签或边界框，并以便于人或其他系统理解和使用的方式呈现结果，以供可视化。

图像计算与计算机视觉和图像处理的区别#

在接触图像计算时，你可能还会看到图像处理和计算机视觉等术语。虽然这些术语经常被混用，但它们描述了 AI 系统与视觉数据交互的不同方式。

例如，图像处理侧重于增强图像或改善输入图像的质量，使用的基本操作包括去噪、缩放和调整对比度。而作为 AI 一个分支的计算机视觉则在图像处理的基础上进一步发展，让机器能够识别物体、解读场景，并理解图像或视频中正在发生的事情。

图像计算结合图像处理与计算机视觉，将视觉数据转化为智能系统能够使用的有意义输出。

图 2. 图像处理与计算机视觉和图像计算的对比。图片由作者提供。

图像计算的当今实现方式#

接下来看看图像计算如今是如何实现的。

在图像计算发展的早期，边缘、角点和纹理等特征需要通过基于规则的手工算法来定义。虽然这些方法在受控环境中表现尚可，但难以扩展，也难以适应复杂的现实条件。

现代图像计算系统通过采用基于深度学习的方法克服了这些局限。卷积神经网络 (CNN)和视觉 Transformer 等模型可以从大型图像数据集中自动学习相关特征。这使它们能够以更高的准确度和稳健性执行目标检测、实例分割和目标跟踪等任务。

如今，图像计算工作流通常依赖于为生产级 AI 系统部署而设计的实时视觉模型。例如，Ultralytics YOLO26 等视觉 AI 模型可在边缘设备和云环境中实现目标检测和实例分割等快速高效的计算机视觉功能。

图 3. 使用 Ultralytics YOLO26 检测并分割图像中对象的示例。

图像计算的现实应用#

图像计算已广泛应用于现实场景，帮助人们理解视觉数据并据此采取行动。接下来看看图像计算在不同领域中的应用。

用于早期疾病检测的医学图像计算#

图像计算可以帮助医生和临床医师更早发现疾病，并更高效地分析医学扫描图像。这些系统可以快速处理 X 光和磁共振成像 (MRI) 扫描等医学影像数据，而且通常比人工审核得出更一致的结果。

例如，可以使用张实验室胸部 X 光数据集等大型胸部 X 光图像集训练 Ultralytics YOLO26 等模型，使模型学会与感染和异常相关的模式。训练完成后，这些模型可以帮助判断扫描结果是否正常，或是否显示肺炎、COVID-19 等疾病的迹象。

用于自动驾驶的图像计算#

自动驾驶汽车使用图像计算来了解周围情况并作出驾驶决策。这项技术将原始摄像头画面转化为实时信息，帮助车辆安全、平稳地行驶。

图像计算常用于高级驾驶辅助系统 (ADAS)。这些模块不只是录制视频，还会分析每一帧，以识别车道标线、其他车辆、行人和障碍物。这样一来，汽车就能在几乎无需人工干预的情况下，应对不断变化的道路状况。

另一个常见应用是融合多个摄像头的图像，生成车辆周围的 360 度视图。图像计算有助于校正镜头畸变、提升图像清晰度，并平衡所有摄像头画面的亮度和色彩。最终生成清晰、无缝的视图，让车辆即使在恶劣天气或弱光条件下也能安全行驶。

图 4. 使用深度学习进行图像拼接（来源）

图像计算的优缺点#

以下是图像计算的一些优势：

• 可扩展性：训练完成后，图像计算系统可以持续、大规模地分析海量视觉数据。
• 决策：它支持自动驾驶、医学筛查和工业监控等对时间要求严格的应用。
• 长期成本效益：尽管初始部署成本可能较高，自动化视觉分析可以降低长期运营成本。

图像计算有很多优势，但也存在一些局限。以下是需要考虑的几个因素：

• 数据质量：图像计算方法高度依赖准确标注和高质量数据集，而创建这些数据集可能成本高昂且耗时。
• 对环境条件敏感：光照变化、遮挡、运动模糊、天气或摄像头角度变化都可能对模型性能产生负面影响。
• 可解释性有限：基于深度学习的图像模型可能像黑箱一样难以理解，因此很难解释模型如何做出决策。

要点#

图像计算已从基础图像处理发展为一种技术，使 AI 系统能够实时感知和理解真实世界。随着深度学习不断进步，图像计算正成为构建更智能、更实用的工具包和应用的重要组成部分。

加入我们的社区，并查看我们的 GitHub 代码仓库，了解 AI。浏览我们的解决方案页面，阅读 AI 在农业中的应用和计算机视觉在物流中的应用。了解我们的许可选项，开始构建视觉 AI 模型。