在我的理解里，要實現機器視覺必须有圖(tu)像處理(li)的帮助，而圖像處理倚仗與模式识別的有效運用(yong)，而模式识別是人工智能领域的一個重要分支，人工智能(neng)與(yu)機器學習密不可分。縱觀(guan)一切關系，发現計算機視覺(jue)的應(ying)用服務於機器學習。各個環節缺一不可，相(xiang)辅相(xiang)成。
計算機視覺(jue)(computer vision)，用計算機(ji)來模擬人的(de)視覺機理获取和處理信息的能力。就(jiu)是是指用摄(she)影機和電脑代替人眼對目標進行识別、跟蹤和測量(liang)等機器視覺，並進(jin)一步做圖形處理，用電脑處理成為更適合人眼觀察或傳送給儀(yi)器檢測的(de)圖像。計算機視覺研究相關(guan)的理论(lun)和技術，試圖(tu)建立能够从圖像或者多維数據(ju)中获取‘信息’的人工智能(neng)系統。計算機視(shi)覺的挑战是要為計算機和機器人開发具有與人類(lei)水平相当的視覺能力。機(ji)器視覺(jue)需要圖象信號，纹理和顏色(se)建模(mo)，几何處理和推理，以及物體建模。一個有能力的視覺(jue)系統應该把所有这些處(chu)理都紧密地集成在一起。
圖像(xiang)處理(image processing)，用計算機對圖像進行(xing)分析，以達到所需結(jie)果的技術。又称影像處理。基本(ben)内容圖像處理(li)一般指数字圖像處理。数字圖(tu)像是指用数字摄像(xiang)機、掃描儀等設備經過采(cai)樣和数字化得到的一個大的二維数組(zu)，该数組(zu)的元素称為像(xiang)素，其值為(wei)一整(zheng)数，称為(wei)灰度值。圖像處理技術的主要内容包(bao)括圖像壓縮(suo)，增強和(he)复原(yuan)，匹配、描述(shu)和识別3個部分。常见的處理有圖像数字(zi)化、圖像(xiang)编碼、圖像增(zeng)強、圖像复原、圖像(xiang)分割和圖像分析等。圖像處理一(yi)般指数字圖像(xiang)處理。
模式识別(Pattern Recognition)是指對(dui)表征事物或現象的各(ge)種形式的(数值的、文(wen)字的和逻(luo)輯關系的)信息進行處理和(he)分析,以對事物或現象進行描述、辨認、分類和解(jie)释的(de)過程,是信息科學和人工智能的重要組成部分。模式识別又常称作(zuo)模式分類，从處理問(wen)題的性質和解決(jue)問題的方法等角度，模式识(shi)別(bie)分為有监督的分類(Supervised Classification)和无监督的分類(Unsupervised Classification)兩種。模式還可分成抽象的和具體的(de)兩(liang)種形式。前者(zhe)如意(yi)识、思想、議论等,屬於概念识別(bie)研究的(de)範畴,是(shi)人工智能的另一(yi)研究分支。我們所指的(de)模式识別主要是(shi)對语音波形、地震波、心電圖、脑電圖、圖片、照(zhao)片、文字、符號、生物傳感器等對象(xiang)的具體模式進行辨识(shi)和分類。模式识別研究主要集中在(zai)兩(liang)方面,一是(shi)研究生物體(包括人)是如何感知對(dui)象的(de)，屬於(yu)認识(shi)科學的範畴,二是在給(gei)定的任務下,如何(he)用計算機實現模式识別的理论(lun)和方法。應用計算機對一組事件或過程進行辨识和分類，所识別的事件(jian)或過(guo)程可以是文字、聲(sheng)音、圖像等具體對象，也可以是(shi)状態(tai)、程度等抽象(xiang)對(dui)象。这些對象與数字(zi)形式的信息(xi)相區別，称為模式信(xin)息。模式识別與統計學、心理學(xue)、语言(yan)學、計算機科學、生物學、控製论等(deng)都(dou)有關系。它與人工智能、圖像處理的研(yan)究(jiu)有交叉關系。
機器學習(Machine Learning)是研究計(ji)算(suan)機怎樣模擬或實現人類的學習行為，以获取新的知(zhi)识或技能，重新組織已有的(de)知识結構使之(zhi)不断改善自身的性能。它(ta)是人工智(zhi)能的核心，是使計算機具有智能的根本途径(jing)，其(qi)應用遍及(ji)人工智能的各個领域，它主要使用归納、綜合而不(bu)是(shi)演绎。機器學習在人工智(zhi)能的研究中具有十分重(zhong)要的地位。一個不具有學習能力的(de)智能系統难以称(cheng)得上是一個真正的智能系統，但是以往的智能系(xi)統都普遍缺少(shao)學習的能力。随着人工智能的深入(ru)发展(zhan)，这些(xie)局限性表現得(de)愈加突出。正(zheng)是在(zai)这種情形下，機器學習逐渐(jian)成為人工智能研究的核心之一。它的應用已(yi)遍及人工智能的各個分支，如專家系統、自動(dong)推理、自然(ran)语言理解、模式识別、計算機視覺(jue)、智能機器人等领域。機器(qi)學習的研究是根據生理學、認知科學等(deng)對人類學習機理的了(le)解，建立人(ren)類學習過程(cheng)的計算模型或認识模型，发展各種學習(xi)理论和學習方(fang)法，研究通用的學(xue)習算法並進行理论上的分析，建立面向任(ren)務的具有特定應(ying)用的學習系統。这些研究目標(biao)相(xiang)互影響相互促進。
人類研究計算機的目(mu)的，是為了提高社(she)會生產力水平，提高生活質量，把人从單調复雜甚至危险的工作中解救出來(lai)。今天的計算機在計(ji)算速度上已經远远超過了(le)人，然而在很多方面，特別是在人類智能活動有關(guan)的方面例如在視(shi)覺功能、聽(ting)覺功能、嗅覺功(gong)能、自然语(yu)言理解能力功(gong)能等等方面，還不如人。
这(zhe)種現状无法满足一(yi)些高級應用的要求。例如，我們希望計算機能(neng)够及早地发現路上的可疑情况並提(ti)醒汽车駕驶員以避免发生事故，我們更希(xi)望計算機能帮助我們進行(xing)自動駕驶，目前的技術還(hai)不足以满足诸如此類高級應用的要(yao)求，還需要更多的人工智能研(yan)究成果和系統實現的(de)經驗。
什麼是人工智能呢(ne)?人工智能，是由人類設計並在計(ji)算機環境下實現的模擬或再現某些人(ren)智能行為的技術。一般認為，人類智能(neng)活動可以分為兩(liang)類：感知行(xing)為與思維活(huo)動。模擬(ni)感知行為的人工智(zhi)能研究的一些例子包括语音识別、話者识別等與(yu)人類(lei)的聽覺功能有關的“計算機聽覺”，物體三維表現的形状知识、距离、速度(du)感知等與人類視覺有關(guan)的“計算機視覺(jue)”，等等。模擬思(si)維活動的人工智能研究的例子包括符號推理(li)、模糊推理、定理證明等與人類(lei)思維有關的“計算機思維”，等等。
从圖像處理和模式识(shi)別发展起來的計算機視覺研究對象之一是如何利用二維投影圖(tu)像恢复三維景物世界。計算機視覺(jue)使用的理论方法主要(yao)是基於几何、概率和運動學計算與三維重構的視(shi)覺計算(suan)理论，它的基礎包括射(she)影几何學、剛體運動力學、概率论與随機過程、圖像(xiang)處理、人工智能等理论。計算機視覺要達到的基本目的有以下几個：
(1) 根據一幅或多幅二維投影圖像計算出觀察點(dian)到目(mu)標物體的距离;
(2) 根據一幅或多幅二維投影圖像計(ji)算出目標(biao)物體的運動參数;
(3) 根據一幅或多幅二維投影圖像計算出目標物體的表(biao)面物理特性;
(4) 根(gen)據多幅二維投影圖像恢复出更大空間區域的投影圖像。
計算機視覺要達到的最終目的是實現利用計算機對於三(san)維景物世界的(de)理解，即實現人的視覺系統(tong)的(de)某些功能。
在計算機視(shi)覺领域(yu)里，医學圖像分析、光學文字识別對模式识別(bie)的要求需要提到一定高度。又如模式识別中的预(yu)處理和特征抽取環節(jie)應用圖像處理的技術;圖像處理(li)中的圖像分析也應用模式识別的技術。在計算機視覺的大多数(shu)實(shi)际應用当中，計算機被预設為解決特定的任務，然而基(ji)於(yu)機器學習的方法正日渐普及，一旦機器學習的(de)研究進一步(bu)发展，未來“泛用型”的電脑視(shi)覺應(ying)用或許可以成真。
人工智能所研(yan)究的一個主要問題是：如何讓系(xi)統具(ju)備“計劃”和“決策能力”?从而使之(zhi)完成特定的技術(shu)動作(例如：移動一個機器人(ren)通過某種特(te)定環境)。这一問題便與計算機視(shi)覺問題息息相關。在这里，計算(suan)機(ji)視覺系統作為一個感知器，為(wei)決策提供信息。另外一些研究(jiu)方向包括模式识別和機器(qi)學習(这也隶屬於人工智能(neng)领域，但與計算機(ji)視覺有着重(zhong)要聯系)，也由此，計算機視覺時常(chang)被看作人工智能(neng)與計算機科學的一個分支。
機器學習是研究計算機怎樣模擬或實現人(ren)類的學(xue)習行為，以获取新的知(zhi)识或技能，重新組織已有的(de)知识結構使之(zhi)不断改善自身的性能。它(ta)是人工智(zhi)能的核心，是使計算機具有智能的根本途径(jing)，其(qi)應用遍及(ji)人工智能的各個领域，它主要使用归納、綜合而不是(shi)演译。
為了(le)達到計算(suan)機視覺的目的，有兩種(zhong)技術途径可以考虑。第一種是仿生學方法，即从(cong)分析人類視覺的過程入手，利用大自(zi)然提供給(gei)我們的最好參考系——人類視覺系統，建立起視覺(jue)過程的計算模型，然后(hou)用計算機系統(tong)實現之。第(di)二(er)種是工程方法，即(ji)脱离人類視覺系統框框的約束，利用一切可行和實(shi)用的(de)技術手段實現視覺功能。此方法的一般(ban)做法是，將人類視覺系統(tong)作為一個黑盒子對(dui)待，實現時只關心對於某種輸入，視覺系統將給出(chu)何種輸出。这兩種方法理论上(shang)都是可以使(shi)用的，但面臨的困难是(shi)，人類視覺系統對應某種輸入(ru)的(de)輸出到底是什麼，这是无法直接測(ce)得(de)的。而且由於人的智能活動是一個多功(gong)能系統綜合作用(yong)的結果，即使是得到了一個(ge)輸入輸出對(dui)，也很难(nan)肯定它是仅由当前的輸入視覺刺激所產生的響(xiang)應，而不是一(yi)個(ge)與历史状態綜合作用的結果。
不难理解，機器視覺的(de)研究具有雙重意義(yi)。其一，是為了(le)满足人(ren)工智能應用的需要，即用計算機實現人工的視覺系統的需要。这些成果可以安裝在計(ji)算機和(he)各種機器上，使計算機和機器人能够具(ju)有(you)“看”的能力。其(qi)二，視覺計算模型的研究結果反過來對於我們(men)進一步認识和研究人類視覺系(xi)統本身的機理，甚至(zhi)人脑(nao)的機理，也同樣具(ju)有相当大的參考(kao)意義。
