视觉(7)Computer vision from Wikipedia

 

None.gif Computer vision
None.gifFrom Wikipedia, the free encyclopedia
None.gifJump to: navigation, search
None.gif
// 定义
None.gif
Computer vision  is  the science and technology of machines that see.
None.gif
None.gifAs a scientific discipline, computer vision 
is  concerned with the theory and technology  for  building artificial systems that obtain information from images. The image data can take many forms, such  as  a video sequence, views from multiple cameras, or multi - dimensional data from a medical scanner.
None.gif
None.gif
// 应用场合
None.gif
As a technological discipline, computer vision seeks to apply the theories and models of computer vision to the construction of computer vision systems. Examples of applications of computer vision systems include systems  for
None.gif
None.gifControlling processes (e.g. an industrial robot or an autonomous vehicle). 
None.gifDetecting events (e.g. 
for  visual surveillance) 
None.gifOrganizing information (e.g. 
for  indexing databases of images and image sequences), 
None.gifModeling objects or environments (e.g. industrial inspection, medical image analysis or topographical modeling), 
None.gifInteraction (e.g. 
as  the input to a device  for  computer - human interaction). 
None.gifComputer vision can also be described 
as  a complement (but not necessarily the opposite) of biological vision. In biological vision, the visual perception of humans and various animals are studied, resulting  in  models of how these systems operate  in  terms of physiological processes. Computer vision, on the other hand, studies and describes artificial vision system that are implemented  in  software and / or hardware. Interdisciplinary exchange between biological and computer vision has proven increasingly fruitful  for  both fields.
None.gif
None.gifSub
- domains of computer vision include scene reconstruction,  event  detection, tracking,  object  recognition, learning, indexing, ego - motion and image restoration.
None.gif
None.gif
// 研究和发展现状
None.gif
[edit] State of the art
None.gif 
None.gifRelation between Computer vision and various other fieldsThe field of computer vision can be characterized 
as  immature and diverse. Even though earlier work exists, it was not until the late 1970s that a more focused study of the field started when computers could manage the processing of large data sets such  as  images. However, these studies usually originated from various other fields, and consequently there  is  no standard formulation of  " the computer vision problem " . Also, and to an even larger extent, there  is  no standard formulation of how computer vision problems should be solved. Instead, there exists an abundance of methods  for  solving various well - defined computer vision tasks, where the methods often are very task specific and seldom can be generalized over a wide range of applications. Many of the methods and applications are still  in  the state of basic research, but more and more methods have found their way into commercial products, where they often constitute a part of a larger system which can solve complex tasks (e.g.,  in  the area of medical images, or quality control and measurements  in  industrial processes). In most practical computer vision applications, the computers are pre - programmed to solve a particular task, but methods based on learning are now becoming increasingly common.
None.gif
None.gifA significant part of artificial intelligence deals with planning or deliberation 
for  system which can perform mechanical actions such  as  moving a robot through some environment. This type of processing typically needs input data provided by a computer vision system, acting  as  a vision sensor and providing high - level information about the environment and the robot. Other parts which sometimes are described  as  belonging to artificial intelligence and which are used  in  relation to computer vision  is  pattern recognition and learning techniques. As a consequence, computer vision  is  sometimes seen  as  a part of the artificial intelligence field or the computer science field  in  general.
None.gif
None.gifPhysics 
is  another field that  is  strongly related to computer vision. A significant part of computer vision deals with methods which require a thorough understanding of the process  in  which electromagnetic radiation, typically  in  the visible or the infra - red range,  is  reflected by the surfaces of objects and  finally   is  measured by the image sensor to produce the image data. This process  is  based on optics and solid state physics. More sophisticated image sensors even require quantum mechanics to provide a complete comprehension of the image formation process. Also, various measurement problems  in  physics can be addressed  using  computer vision,  for  example related to motion  in  fluids. Consequently, computer vision can also be seen  as  an extension of physics.
None.gif
None.gifA third field which plays an important role 
is  neurobiology, specifically the study of the biological vision system. Over the last century, there has been an extensive study of eyes, neurons, and the brain structures devoted to processing of visual stimuli  in  both humans and various animals. This has led to a coarse, yet complicated, description of how  " real "  vision systems operate  in  order to solve certain vision related tasks. These results have led to a subfield within computer vision where artificial systems are designed to mimic the processing and behaviour of biological systems, at different levels of complexity. Also, some of the learning - based methods developed within computer vision have their background  in  biology.
None.gif
None.gifYet another field related to computer vision 
is  signal processing. Many methods  for  processing of one - variable signals, typically temporal signals, can be extended  in  a natural way to processing of two - variable signals or multi - variable signals  in  computer vision. However, because of the specific nature of images there are many methods developed within computer vision which have no counterpart  in  the processing of one - variable signals. A distinct character of these methods  is  the fact that they are non - linear which, together with the multi - dimensionality of the signal, defines a subfield  in  signal processing  as  a part of computer vision.
None.gif
None.gifBeside the above mentioned views on computer vision, many of the related research topics can also be studied from a purely mathematical point of view. For example, many methods 
in  computer vision are based on statistics, optimization or geometry. Finally, a significant part of the field  is  devoted to the implementation aspect of computer vision; how existing methods can be realized  in  various combinations of software and hardware, or how these methods can be modified  in  order to gain processing speed without losing too much performance.
None.gif
// 相关领域
None.gif
Related fields
None.gifComputer vision, Image processing, Image analysis, Robot vision and Machine vision are closely related fields. If you look inside text books which have either of these names 
in  the title there  is  a significant overlap  in  terms of what techniques and applications they cover. This implies that the basic techniques that are used and developed  in  these fields are more or less identical, something which can be interpreted  as  there  is  only one field with different names.
None.gif
None.gifOn the other hand, it appears to be necessary 
for  research groups, scientific journals, conferences and companies to present or market themselves  as  belonging specifically to one of these fields and, hence, various characterizations which distinguish each of the fields from the others have been presented. The following characterizations appear relevant but should not be taken  as  universally accepted.
None.gif
None.gifImage processing and Image analysis tend to focus on 2D images, how to transform one image to another, e.g., by pixel
- wise operations such  as  contrast enhancement, local operations such  as  edge extraction or noise removal, or geometrical transformations such  as  rotating the image. This characterization implies that image processing / analysis neither require assumptions nor produce interpretations about the image content.
None.gif
None.gifComputer vision tends to focus on the 3D scene projected onto one or several images, e.g., how to reconstruct structure or other information about the 3D scene from one or several images. Computer vision often relies on more or less complex assumptions about the scene depicted 
in  an image.
None.gif
None.gifMachine vision tends to focus on applications, mainly 
in  industry, e.g., vision based autonomous robots and systems  for  vision based inspection or measurement. This implies that image sensor technologies and control theory often are integrated with the processing of image data to control a robot and that real - time processing  is  emphasized by means of efficient implementations  in  hardware and software.
None.gif
None.gifThere 
is  also a field called Imaging which primarily focus on the process of producing images, but sometimes also deals with processing and analysis of images. For example, Medical imaging contains lots of work on the analysis of image data  in  medical applications.
None.gif
None.gifFinally, pattern recognition 
is  a field which uses various methods to extract information from signals  in  general, mainly based on statistical approaches. A significant part of  this  field  is  devoted to applying these methods to image data.
None.gif
None.gifA consequence of 
this  state of affairs  is  that you can be working  in  a lab related to one of these fields, apply methods from a second field to solve a problem  in  a third field and present the result at a conference related to a fourth field !
None.gif
// 应用实例
None.gif
Examples of applications  for  computer vision
None.gifOne of the most prominent application fields 
is  medical computer vision or medical image processing. This area  is  characterized by the extraction of information from image data  for  the purpose of making a medical diagnosis of a patient. Generally, image data  is   in  the form of microscopy images, X - ray images, angiography images, ultrasonic images, and tomography images. An example of information which can be extracted from such image data  is  detection of tumours, arteriosclerosis or other malign changes. It can also be measurements of organ dimensions, blood flow, etc. This application area also supports medical research by providing  new  information, e.g., about the structure of the brain, or about the quality of medical treatments.
None.gif
None.gifA second application area 
in  computer vision  is   in  industry. Here, information  is  extracted  for  the purpose of supporting a manufacturing process. One example  is  quality control where details or final products are being automatically inspected  in  order to find defects. Another example  is  measurement of position and orientation of details to be picked up by a robot arm.
None.gif
None.gifMilitary applications are probably one of the largest areas 
for  computer vision. The obvious examples are detection of enemy soldiers or vehicles and missile guidance. More advanced systems  for  missile guidance send the missile to an area rather than a specific target, and target selection  is  made when the missile reaches the area based on locally acquired image data. Modern military concepts, such  as   " battlefield awareness " , imply that various sensors, including image sensors, provide a rich  set  of information about a combat scene which can be used to support strategic decisions. In  this   case , automatic processing of the data  is  used to reduce complexity and to fuse information from multiple sensors to increase reliability.
None.gif
None.gif 
None.gifArtist
' s Concept of Rover on Mars, an example of an unmanned land-based vehicle. Notice the stereo cameras mounted on top of the Rover. (credit: Maas Digital LLC)One of the newer application areas is autonomous vehicles, which include submersibles, land-based vehicles (small robots with wheels, cars or trucks), aerial vehicles, and unmanned aerial vehicles (UAV). The level of autonomy ranges from fully autonomous (unmanned) vehicles to vehicles where computer vision based systems support a driver or a pilot in various situations. Fully autonomous vehicles typically use computer vision for navigation, i.e. for knowing where it is, or for producing a map of its environment (SLAM) and for detecting obstacles. It can also be used for detecting certain task specific events, e. g., a UAV looking for forest fires. Examples of supporting systems are obstacle warning systems in cars, and systems for autonomous landing of aircraft. Several car manufacturers have demonstrated systems for autonomous driving of cars, but this technology has still not reached a level where it can be put on the market. There are ample examples of military autonomous vehicles ranging from advanced missiles, to UAVs for recon missions or missile guidance. Space exploration is already being made with autonomous vehicles using computer vision, e. g., NASA ' s Mars Exploration Rover.
None.gif
None.gifOther application areas include:
None.gif
None.gifSupport of visual effects creation 
for  cinema and broadcast, e.g., camera tracking (matchmoving). 
None.gifSurveillance. 
None.gif
// 在生物识别方面的应用
None.gif
[edit] Vision based biological species identification systems
None.gif 
None.gifDAISY 
interface  tool, DFE (Credit: Mark A. O ' Neill) 
None.gif
DAISY VHTML output display (Credit: Mark A. O ' Neill)
None.gif
There are now also a growing number of systems which use computer vision technology  for  the automated identification of biological objects (individuals) and / or groups (e.g. species, guilds). Typically these systems are used by non - taxonomists (e.g. ecologists, pest control officers, parataxonomists) to rapidly identify specious tropical biota (e.g. parasitic wasp  in  Costa Rica). In Algorithmic terms, these systems fall into two broad classes:
None.gif
None.gif
None.gifHolistic systems which use the entirety of the presented image, or of some region of interest thereof to make an identification. These systems are typically based on principal component analysis, self organising maps (e.g. the plastic self organising map, PSOM), nearest neighbour correlation (NNC) or some form of artificial neural net (ANN). Examples of systems of 
this  kind include DAISY which uses a hybrid PSOM / NNC approach and SPIDA which uses a modified variant of the back propagation neural network.
None.gif
None.gif
None.gifFeature based systems: These sorts of system extract features from the input imagery and then use these features 
for  subsequent recognition. Examples of  this  kind of algorithm include the ABIS (Automated Bee Identification System) from Bonn University and the WEKA system from the University of Waikato  in  New Zealand. Although  this  type of system may achieve accuracies which are marginally superior to those achieved by the holistic systems, they are intrinsically less flexible. For example ABIS  is  restricted to identifying insects such  as  bees and flies which have membranous wings, and  in  the  case  of earlier versions of the system at least, significant  operator  expertise was needed. Both of the holistic approaches cited are essentially generic. For example,  in  addition to insects, the DAISY system has also been used to classify human faces, foraminifera, bones, aircraft contrails and (with suitable pre - processing) even sounds, all with some measure of success.
None.gif
None.gif
None.gifThe images above show the DAISY system 
in  operation, identifying a specimen of the Belizian Sphingid Cocytius duponchel (Poey,  1832 ) which was caught  in  a light trap at the Las Cuevas Field Station  in  Belize. In order to normalise input imagery  for  the effects of scale and pose (specimens are live imaged  using  a digital camera) a PolyROI (polygonal region of interest)  is  drawn around the part which  is  being used to identify the specimen,  in   this   case  the wing (upper image). Once DAISY has identified the specimen it spawns an HTML browser which points to a URL providing information on the specimen it has identified (lower image). The DAISY backend  is  flexible:  if  there  is  no canned URL available, the backend system can automatically query web search engines such  as  google  for  appropriate information
None.gif
// 视觉系统典型任务
None.gif
Typical tasks of computer vision
None.gifEach of the application areas described above employ a range of computer vision tasks; more or less well
- defined measurement problems or processing problems, which can be solved  using  a variety of methods. Some examples of typical computer vision tasks are presented below.
None.gif
None.gif
None.gif[edit] Recognition
None.gifThe classical problem 
in  computer vision, image processing and machine vision  is  that of determining whether or not the image data contains some specific  object , feature, or activity. This task can normally be solved robustly and without effort by a human, but  is  still not satisfactorily solved  in  computer vision  for  the general  case : arbitrary objects  in  arbitrary situations. The existing methods  for  dealing with  this  problem can at best solve it only  for  specific objects, such  as  simple geometric objects (e.g., polyhedrons), human faces, printed or hand - written characters, or vehicles, and  in  specific situations, typically described  in  terms of well - defined illumination, background, and pose of the  object  relative to the camera.
None.gif
None.gifDifferent varieties of the recognition problem are described 
in  the literature:
None.gif
None.gifRecognition: one or several pre
- specified or learned objects or  object  classes can be recognized, usually together with their 2D positions  in  the image or 3D poses  in  the scene. 
None.gifIdentification: An individual instance of an 
object   is  recognized. Examples: identification of a specific person face or fingerprint, or identification of a specific vehicle. 
None.gifDetection: the image data 
is  scanned  for  a specific condition. Examples: detection of possible abnormal cells or tissues  in  medical images or detection of a vehicle  in  an automatic road toll system. Detection based on relatively simple and fast computations  is  sometimes used  for  finding smaller regions of interesting image data which can be further analyzed by more computationally demanding techniques to produce a correct interpretation. 
None.gifSeveral specialized tasks based on recognition exist, such 
as :
None.gif
None.gifContent
- based image retrieval: finding all images  in  a larger  set  of images which have a specific content. The content can be specified  in  different ways,  for  example  in  terms of similarity relative a target image (give me all images similar to image X), or  in  terms of high - level search criteria given  as  text input (give me all images which contains many houses, are taken during winter, and have no cars  in  them). 
None.gifPose estimation: estimating the position or orientation of a specific 
object  relative to the camera. An example application  for   this  technique would be assisting a robot arm  in  retrieving objects from a conveyor belt  in  an assembly line situation. 
None.gifOptical character recognition (or OCR): identifying characters 
in  images of printed or handwritten text, usually with a view to encoding the text  in  a format more amenable to editing or indexing (e.g. ASCII). 
None.gif
None.gif[edit] Motion
None.gifSeveral tasks relate to motion estimation, 
in  which an image sequence  is  processed to produce an estimate of the local image velocity at each point. Examples of such tasks are:
None.gif
None.gifEgomotion: determining the 3D rigid motion of the camera. 
None.gifTracking: following the movements of objects (e.g. vehicles or humans). 
None.gif
None.gif[edit] Scene reconstruction
None.gifGiven two or more images of a scene, or a video, scene reconstruction aims at computing a 3D model of the scene. In the simplest 
case  the model can be a  set  of 3D points. More sophisticated methods produce a complete 3D surface model.
None.gif
None.gif
None.gif[edit] Image restoration
None.gifThe aim of image restoration 
is  the removal of noise (sensor noise, motion blur, etc.) from images.
None.gif
None.gif
// 视觉系统组成介绍
None.gif
[edit] Computer vision systems
None.gifThe organization of a computer vision system 
is  highly application dependent. Some systems are stand - alone applications which solve a specific measurement or detection problem,  while  other constitute a sub - system of a larger design which,  for  example, also contains sub - systems  for  control of mechanical actuators, planning, information databases, man - machine interfaces, etc. The specific implementation of a computer vision system also depends on  if  its functionality  is  pre - specified or  if  some part of it can be learned or modified during operation. There are, however, typical functions which are found  in  many computer vision systems.
None.gif
None.gifImage acquisition: A digital image 
is  produced by one or several image sensor which, besides various types of light - sensitive cameras, includes range sensors, tomography devices, radar, ultra - sonic cameras, etc. Depending on the type of sensor, the resulting image data  is  an ordinary 2D image, a 3D volume, or an image sequence. The pixel values typically correspond to light intensity  in  one or several spectral bands (gray images or colour images), but can also be related to various physical measures, such  as  depth, absorption or reflectance of sonic or electromagnetic waves, or nuclear magnetic resonance. 
None.gifPre
- processing: Before a computer vision method can be applied to image data  in  order to extract some specific piece of information, it  is  usually necessary to process the data  in  order to assure that it satisfies certain assumptions implied by the method. Examples are 
None.gifRe
- sampling  in  order to assure that the image coordinate system  is  correct. 
None.gifNoise reduction 
in  order to assure that sensor noise does not introduce  false  information. 
None.gifContrast enhancement to assure that relevant information can be detected. 
None.gifScale
- space representation to enhance image structures at locally appropriate scales. 
None.gifFeature extraction: Image features at various levels of complexity are extracted from the image data. Typical examples of such features are 
None.gifLines, edges and ridges. 
None.gifLocalized interest points such 
as  corners, blobs or points. 
None.gifMore complex features may be related to texture, shape or motion. 
None.gifDetection
/ Segmentation: At some point  in  the processing a decision  is  made about which image points or regions of the image are relevant  for  further processing. Examples are 
None.gifSelection of a specific 
set  of interest points 
None.gifSegmentation of one or multiple image regions which contain a specific 
object  of interest. 
None.gifHigh
- level processing: At  this  step the input  is  typically a small  set  of data,  for  example a  set  of points or an image region which  is  assumed to contain a specific  object . The remaining processing deals with,  for  example: 
None.gifVerification that the data satisfy model
- based and application specific assumptions. 
None.gifEstimation of application specific parameters, such 
as   object  pose or  object  size. 
None.gifClassifying a detected 
object  into different categories. 
None.gif
None.gif[edit] See also
None.gif
// 相关文章
None.gif
See also
None.gifComputer vision subcategories Related articles 
None.gifList of computer vision topics 
None.gifApplications of computer vision 
None.gifCommercial computer vision systems 
None.gifComputer vision researchers 
None.gifSoftware 
for  Computer vision 
None.gifMachine Vision Glossary 
None.gifGraph cuts 
in  computer vision 
None.gif Affective computing 
None.gifArtificial intelligence 
None.gifComputer graphics 
None.gifComputer vision research groups 
None.gifDigital image processing 
None.gifImage processing 
None.gifMachine learning 
None.gifMachine vision 
None.gifMedical imaging 
None.gifMorphological image processing 
None.gifPattern recognition 
None.gif 
None.gif
// 参考文献等
None.gif
Further reading
None.gifSorted alphabetically with respect to first author
' s family name
None.gif

None.gifWilhelm Burger and Mark J. Burge (
2007 ). Digital Image Processing: An Algorithmic Approach Using Java. Springer. ISBN  1846283795  and ISBN  3540309403 .  
None.gifJ. L. Crowley and H. I. Christensen (Eds.) (
1995 ). Vision  as  Process. Springer - Verlag. ISBN  3 - 540 - 58143 - X and ISBN  0 - 387 - 58143 - X.  
None.gifE. R. Davies (
2005 ). Machine Vision : Theory, Algorithms, Practicalities. Morgan Kaufmann. ISBN  0 - 12 - 206093 - 8 .  
None.gifOlivier Faugeras (
1993 ). Three - Dimensional Computer Vision, A Geometric Viewpoint. MIT Press. ISBN  0 - 262 - 06158 - 9 .  
None.gifR. Fisher, K Dawson
- Howe, A. Fitzgibbon, C. Robertson, E. Trucco ( 2005 ). Dictionary of Computer Vision and Image Processing. John Wiley. ISBN  0 - 470 - 01526 - 8 .  
None.gifDavid A. Forsyth and Jean Ponce (
2003 ). Computer Vision, A Modern Approach. Prentice Hall. ISBN  0 - 12 - 379777 - 2 .  
None.gifGösta H. Granlund and Hans Knutsson (
1995 ). Signal Processing  for  Computer Vision. Kluwer Academic Publisher. ISBN  0 - 7923 - 9530 - 1 .  
None.gifRichard Hartley and Andrew Zisserman (
2003 ). Multiple View Geometry  in  computer vision. Cambridge University Press. ISBN  0 - 521 - 54051 - 8 .  
None.gifBerthold Klaus Paul Horn (
1986 ). Robot Vision. MIT Press. ISBN  0 - 262 - 08159 - 8 .  
None.gifBernd Jähne and Horst Haußecker (
2000 ). Computer Vision and Applications, A Guide  for  Students and Practitioners. Academic Press. ISBN  0 - 13 - 085198 - 1 .  
None.gifBernd Jähne (
2002 ). Digital Image Processing. Springer. ISBN  3 - 540 - 67754 - 2 .  
None.gifReinhard Klette, Karsten Schluens and Andreas Koschan (
1998 ). Computer Vision  -  Three - Dimensional Data from Images. Springer, Singapore. ISBN  981 - 3083 - 71 - 9 .  
None.gifTony Lindeberg (
1994 ). Scale - Space Theory  in  Computer Vision. Springer. ISBN  0 - 7923 - 9418 - 6 .  
None.gifDavid Marr (
1982 ). Vision. W. H. Freeman and Company. ISBN  0 - 7167 - 1284 - 9 .  
None.gifGérard Medioni and Sing Bing Kang (
2004 ). Emerging Topics  in  Computer Vision. Prentice Hall. ISBN  0 - 13 - 101366 - 1 .  
None.gifTim Morris (
2004 ). Computer Vision and Image Processing. Palgrave Macmillan. ISBN  0 - 333 - 99451 - 5 .  
None.gifAzriel Rosenfeld and Avinash Kak (
1982 ). Digital Picture Processing. Academic Press. ISBN  0 - 12 - 597301 - 2 .  
None.gifLinda G. Shapiro and George C. Stockman (
2001 ). Computer Vision. Prentice Hall. ISBN  0 - 13 - 030796 - 3 .  
None.gifMilan Sonka, Vaclav Hlavac and Roger Boyle (
1999 ). Image Processing, Analysis, and Machine Vision. PWS Publishing. ISBN  0 - 534 - 95393 - X.  
None.gifEmanuele Trucco and Alessandro Verri (
1998 ). Introductory Techniques  for   3 - D Computer Vision. Prentice Hall. ISBN  0132611082 .  
None.gifExternal links
None.gif
None.gif[edit] General resources
None.gifCMU
' s Computer Vision Homepage 
None.gif
Wikia has a wiki about  this  topic: Computer Vision 
None.gifKeith Price
' s Annotated Computer Vision Bibliography and the Official Mirror Site Keith Price ' s Annotated Computer Vision Bibliography 
None.gifHIPR2 image processing teaching package 
None.gifUSC Iris computer vision conference list 
None.gif
None.gif[edit] Tutorials
None.gifCVonline: The Evolving, Distributed, Non
- Proprietary, On - Line Compendium of Computer Vision 
None.gifIntroduction to computer vision (464KB pdf file) 
None.gif
None.gif[edit] Papers
None.gifMachine Perception of Three
- Dimensional Solids  -  the paper mentioned by Joseph Mundy  in  the video 
None.gifRetrieved from 
" http://en.wikipedia.org/wiki/Computer_vision "
None.gif
视觉(7)Computer vision from Wikipedia_第1张图片

你可能感兴趣的:(嵌入式,人工智能,java)