計算機視覺是一門研究如何使機器「看」的科學，更進一步的說，就是指用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做影象處理，用計算機處理成為更適合人眼觀察或傳送給儀器檢測的影象（選自維基百科）
計算機視覺的研究物件主要是對映到單幅或多幅影象上的三維場景，例如三維場景的重建。計算機視覺的研究很大程度上針對影象的內容。
應用：人臉識別： snapchat 和 facebook 使用人臉檢測演算法來識別人臉。
遊戲和控制：使用立體視覺較為成功的遊戲應用產品是：微軟 kinect。
監測：用於監測可疑行為的監視攝像頭遍布於各大公共場所中。
生物識別技術：指紋、虹膜和人臉匹配仍然是生物識別領域的一些常用方法。
計算機視覺主要應用：
1.影象分類：
給定一組全部用單一類別標記的影象，我們被要求為一組新的測試影象**這些類別並測量**的準確性。但是有各種變化，如視點變化，尺度變化，類內變化，影象變形，影象遮擋，光照條件和背景雜波。
分為以下幾步：
輸入是乙個訓練資料集，由n個影象組成，每個影象都標有k個不同類別中的乙個。
使用此訓練集來訓練分類器，以了解每個類的特徵。
**一組前所未有的新影象標籤來評估分類器的質量。然後，我們將這些影象的真實標籤與分類器**的標籤進行比較。
用於影象分類的最流行的架構是**卷積神經網路（cnn）。**cnn的典型用例是您為網路影象提供資訊，網路對資料進行分類。
2.物體檢測：
識別影象中的物件這一任務，通常會涉及到為各個物件輸出邊界框和標籤。這不同於分類/定位任務——對很多物件進行分類和定位，而不僅僅是對個主體物件進行分類和定位。在物件檢測中，你只有 2 個物件分類類別，即物件邊界框和非物件邊界框。例如，在汽車檢測中，你必須使用邊界框檢測所給定影象中的所有汽車。
3.物件跟蹤物體跟蹤方法可以根據觀察模型分為兩類：生成方法和判別方法。
0.000…生成方法使用生成模型來描述表觀特徵並最小化重建誤差以搜尋物件，例如pca。
判別方法可用於區分物件和背景，其效能更加穩健，逐漸成為跟蹤的主要方法。判別方法也稱為檢測跟蹤，深度學習屬於這一類。為了實現檢測跟蹤，我們檢測所有幀的候選物件，並使用深度學習從候選中識別想要的物件。可以使用兩種基本網路模型：堆疊自動編碼器（sae）和卷積神經網路（cnn）。
4.語義分割
計算機視覺的核心是分割過程，它將整個影象分成畫素分組，然後可以對其進行標記和分類。
特別是，語義分割嘗試在語義上理解影象中每個畫素的作用（例如，它是汽車，電單車還是其他型別的類？）。例如，在上圖中，除了識別人，道路，汽車，樹木等之外，我們還必須描繪每個物體的邊界。因此，與分類不同，我們需要從模型中進行密集的逐畫素**。
5.例項分割
除了語義分段之外，例項分段將不同的類例項分段，例如用5種不同顏色標記5輛汽車。在分類中，通常有乙個影象，其中單個物件作為焦點，任務是說明影象是什麼。但是為了分割例項，我們需要執行更複雜的任務。我們看到複雜的景點有多個重疊的物體和不同的背景，我們不僅要對這些不同的物體進行分類，還要確定它們之間的界限，差異和關係！
參考文章：
計算機視覺入門筆記
了解一下計算機視覺的基礎知識。常用的程式語言 硬體 常用的開源軟體 越早學越好 和機器學習之間的關係。計算機視覺的應用 做壓縮裡面,ipb 是最常見的,代表的是在壓縮完成之後只會帶表的三中幀。i 幀 p 幀 b 幀。i 幀,叫做關鍵幀,它會吧一張完整的儲存下來,所以 i 幀 不能出錯,出錯就白費了 ...
計算機視覺公式筆記
拉普拉斯卷積模型由來 c語言實現中值平滑濾波即，對於3 3的處理框進行數值排序 z lvbo.cpp 定義控制台應用程式的入口點。include include include include include include include stdafx.h 原圖象的寬度和高度 define wid...
1 4 了解計算機視覺（筆記）
計算機視覺是一門研究讓機器 看見 世界的科學 人類能夠認出 中的事物 推理它們之間的關係 但對於計算機來說 影象只是一連串rgb數值 沒有任何意義 rgb rgb色彩模式是工業界的一種顏色標準，是通過對紅 綠 g 藍 b 三個顏色通道的變化以及它們相互之間的疊加來得到各式各樣的顏色的，rgb即是代表...