機器視覺與電腦視覺

標籤：電腦   compute   cmos   tle   機器   維數   輸出   工業   情境   

        機器視覺（Machine Vision, MV） & 電腦視覺(Computer Vision, CV) 從學科分類上， 二者都被認為是人工智慧（ Artificial Intelligence ）下屬科目.        機器視覺就是用機器代替人眼來做測量和判斷。機器視覺系統是通過機器視覺產品（即映像攝取裝置，分CMOS和CCD兩種）將被攝取目標轉換成映像訊號，傳送給專用的影像處理系統，得到被攝目標的形態資訊，根據像素分布和亮度、顏色等資訊，轉變成數字化訊號;映像系統對這些訊號進行各種運算來抽取目標的特徵，進而根據判別的結果來控制現場的裝置動作。        電腦視覺是指用電腦實現人的視覺功能――對客觀世界的三維情境的感知、識別和理解。它是一門研究如何使機器“看”的科學，更進一步的說，就是是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的映像。電腦視覺也可以看作是研究如何使人工系統從映像或多維資料中“感知”的科學。它的最終研究目標就是使電腦能象人那樣通過視覺觀察和理解世界，具有自主適應環境的能力。這裡主要有兩類方法：一類是仿生學的方法，參照人類視覺系統的結構原理，建立相應的處理模組完成類似的功能和工作；另一類是工程的方法，從分析人類視覺過程的功能著手，並不去刻意類比人類視覺系統內部結構，而僅考慮系統的輸入和輸出，並採用任何現有的可行的手段實現系統功能。        兩者用到的技術類似，主要區別是運用情境、側重方面不同，MV 偏工業車間應用，更多注重廣義映像訊號（雷射，網路攝影機）與自動化控制（生產線）方面的應用。側重對量的分析，如零件直徑。CV偏軟體演算法， 更多關注人相關的應用，注重（2D, 3D）映像訊號本身的研究以及和映像相關的交叉學科研究（醫學映像分析，地圖導航）,側重對質的分析，如Face Service、車牌識別。        電腦視覺的應用情境相對複雜，要識別的物體類型也多，形狀不規則，規律性不強。有些時候甚至很難用客觀量作為識別的依據，比如識別年齡，性別。所以深度學習比較適合電腦視覺。而且光線，距離，角度等前提條件，往往是動態，所以對於準確度要求，一般來說要低一些。機器視覺則剛好相反，情境相對簡單固定，識別的類型少(在同一個應用中)，規則且有規律，但對準確度，處理速度要求都比較高。關於速度，一般機器視覺的解析度遠高於電腦視覺，而且往往要求即時，所以處理速度很關鍵，目前基本上不適合採用深度學習。
        商業方面，電腦視覺的應用面更廣一些，畢竟很多業務是跟人相關，比如Face Service，行為分析等，很多垂直領域都有電腦視覺潛在需求，相對來說，更適合創業；而機器視覺顧名思義，業務主要跟機器相關，而且對準確度甚至安全性要求很高，也就在資質品牌方面有較高的門檻，所以寡頭壟斷嚴重，一般來說，更適合上班而不是創業。連結：https://www.zhihu.com/question/23183532/answer/105619829連結：https://www.zhihu.com/question/23183532/answer/23896265



來自為知筆記(Wiz)

機器視覺與電腦視覺