在我的理解里，要實現(xiàn)計算機視覺必須有圖像處理的幫助，而圖像處理倚仗與模式識別的有效運用，而模式識別是人工智能領域的一個重要分支，人工智能與機器學習密不可分?？v觀一切關系，發(fā)現(xiàn)計算機視覺的應用服務于機器學習。各個環(huán)節(jié)缺一不可，相輔相成。

計算機視覺（computer vision）：用計算機來模擬人的視覺機理獲取和處理信息的能力。就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，并進一步做圖形處理，用電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。

計算機視覺研究相關的理論和技術，試圖建立能夠從圖像或者多維數(shù)據中獲取‘信息’的人工智能系統(tǒng)。計算機視覺的挑戰(zhàn)是要為計算機和機器人開發(fā)具有與人類水平相當?shù)囊曈X能力。

機器視覺需要圖象信號，紋理和顏色建模，幾何處理和推理，以及物體建模。一個有能力的視覺系統(tǒng)應該把所有這些處理都緊密地集成在一起。

圖像處理（image processing）：用計算機對圖像進行分析，以達到所需結果的技術。又稱影像處理。

圖像處理一般指數(shù)字圖像處理。數(shù)字圖像是指用數(shù)字攝像機、掃描儀等設備經過采樣和數(shù)字化得到的一個大的二維數(shù)組，該數(shù)組的元素稱為像素，其值為一整數(shù)，稱為灰度值。

圖像處理技術的主要內容包括圖像壓縮，增強和復原，匹配、描述和識別3個部分。常見的處理有圖像數(shù)字化、圖像編碼、圖像增強、圖像復原、圖像分割和圖像分析等。

模式識別(Pattern Recognition)是指對表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關系的)信息進行處理和分析，以對事物或現(xiàn)象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分。

模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監(jiān)督的分類（Supervised Classification）和無監(jiān)督的分類(Unsupervised Classification)兩種。模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等，屬于概念識別研究的范疇，是人工智能的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物傳感器等對象的具體模式進行辨識和分類。

模式識別研究主要集中在兩方面：

一是研究生物體(包括人)是如何感知對象的，屬于認識科學的范疇；

二是在給定的任務下,如何用計算機實現(xiàn)模式識別的理論和方法。

應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態(tài)、程度等抽象對象。這些對象與數(shù)字形式的信息相區(qū)別，稱為模式信息。

模式識別與統(tǒng)計學、心理學、語言學、計算機科學、生物學、控制論等都有關系。它與人工智能、圖像處理的研究有交叉關系。

機器學習(Machine Learning)是研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

機器學習在人工智能的研究中具有十分重要的地位。一個不具有學習能力的智能系統(tǒng)難以稱得上是一個真正的智能系統(tǒng)，但是以往的智能系統(tǒng)都普遍缺少學習的能力。隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下，機器學習逐漸成為人工智能研究的核心之一。它的應用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領域。

機器學習的研究是根據生理學、認知科學等對人類學習機理的了解，建立人類學習過程的計算模型或認識模型，發(fā)展各種學習理論和學習方法，研究通用的學習算法并進行理論上的分析，建立面向任務的具有特定應用的學習系統(tǒng)。這些研究目標相互影響相互促進。

人類研究計算機的目的，是為了提高社會生產力水平，提高生活質量，把人從單調復雜甚至危險的工作中解救出來。今天的計算機在計算速度上已經遠遠超過了人，然而在很多方面，特別是在人類智能活動有關的方面例如在視覺功能、聽覺功能、嗅覺功能、自然語言理解能力功能等等方面，還不如人。

這種現(xiàn)狀無法滿足一些高級應用的要求。例如，我們希望計算機能夠及早地發(fā)現(xiàn)路上的可疑情況并提醒汽車駕駛員以避免發(fā)生事故，我們更希望計算機能幫助我們進行自動駕駛，目前的技術還不足以滿足諸如此類高級應用的要求，還需要更多的人工智能研究成果和系統(tǒng)實現(xiàn)的經驗。

什么是人工智能呢？

人工智能，是由人類設計并在計算機環(huán)境下實現(xiàn)的模擬或再現(xiàn)某些人智能行為的技術。一般認為，人類智能活動可以分為兩類：感知行為與思維活動。模擬感知行為的人工智能研究的一些例子包括語音識別、話者識別等與人類的聽覺功能有關的“計算機聽覺”，物體三維表現(xiàn)的形狀知識、距離、速度感知等與人類視覺有關的“計算機視覺”，等等。模擬思維活動的人工智能研究的例子包括符號推理、模糊推理、定理證明等與人類思維有關的“計算機思維”，等等。

從圖像處理和模式識別發(fā)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像恢復三維景物世界。計算機視覺使用的理論方法主要是基于幾何、概率和運動學計算與三維重構的視覺計算理論，它的基礎包括射影幾何學、剛體運動力學、概率論與隨機過程、圖像處理、人工智能等理論。

計算機視覺要達到的基本目的有以下幾個：

(1) 根據一幅或多幅二維投影圖像計算出觀察點到目標物體的距離；

(2) 根據一幅或多幅二維投影圖像計算出目標物體的運動參數(shù)；

(3) 根據一幅或多幅二維投影圖像計算出目標物體的表面物理特性；

(4) 根據多幅二維投影圖像恢復出更大空間區(qū)域的投影圖像。

計算機視覺要達到的最終目的是實現(xiàn)利用計算機對于三維景物世界的理解，即實現(xiàn)人的視覺系統(tǒng)的某些功能。

在計算機視覺領域里，醫(yī)學圖像分析、光學文字識別對模式識別的要求需要提到一定高度。又如模式識別中的預處理和特征抽取環(huán)節(jié)應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。在計算機視覺的大多數(shù)實際應用當中，計算機被預設為解決特定的任務，然而基于機器學習的方法正日漸普及，一旦機器學習的研究進一步發(fā)展，未來“泛用型”的電腦視覺應用或許可以成真。

人工智能所研究的一個主要問題是：如何讓系統(tǒng)具備“計劃”和“決策能力”？從而使之完成特定的技術動作（例如：移動一個機器人通過某種特定環(huán)境）。這一問題便與計算機視覺問題息息相關。在這里，計算機視覺系統(tǒng)作為一個感知器，為決策提供信息。另外一些研究方向包括模式識別和機器學習（這也隸屬于人工智能領域，但與計算機視覺有著重要聯(lián)系），也由此，計算機視覺時常被看作人工智能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(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演譯。

為了達到計算機視覺的目的，有兩種技術途徑可以考慮。

第一種是仿生學方法，即從分析人類視覺的過程入手，利用大自然提供給我們的最好參考系——人類視覺系統(tǒng)，建立起視覺過程的計算模型，然后用計算機系統(tǒng)實現(xiàn)之。

第二種是工程方法，即脫離人類視覺系統(tǒng)框框的約束，利用一切可行和實用的技術手段實現(xiàn)視覺功能。此方法的一般做法是，將人類視覺系統(tǒng)作為一個黑盒子對待，實現(xiàn)時只關心對于某種輸入，視覺系統(tǒng)將給出何種輸出。

這兩種方法理論上都是可以使用的，但面臨的困難是，人類視覺系統(tǒng)對應某種輸入的輸出到底是什么，這是無法直接測得的。而且由于人的智能活動是一個多功能系統(tǒng)綜合作用的結果，即使是得到了一個輸入輸出對，也很難肯定它是僅由當前的輸入視覺刺激所產生的響應，而不是一個與歷史狀態(tài)綜合作用的結果。

不難理解，計算機視覺的研究具有雙重意義。

其一，是為了滿足人工智能應用的需要，即用計算機實現(xiàn)人工的視覺系統(tǒng)的需要。這些成果可以安裝在計算機和各種機器上，使計算機和機器人能夠具有“看”的能力。

其二，視覺計算模型的研究結果反過來對于我們進一步認識和研究人類視覺系統(tǒng)本身的機理，甚至人腦的機理，也同樣具有相當大的參考意義。