图像处理和计算机视觉的区别

[如何发表计算机视觉顶级论文CVPR ICCV ECCV]专家提醒：CVPR,ICCV,ECCV，直接帮你们发，以后不用再问了。 EI检索就是工程索引：《工程索引》（The Engineering Index，简称EI）创刊于1884年，是美国工程信息公司（Engineering informatio...+阅读

图像处理和计算机视觉的区别

楼上的的回答很关键。这里再加一些：

图像处理，针对图像本身进行一些处理，这里可以是工业、医疗、娱乐、多媒体、广告等多个行业的，如常见的Photoshop也是图像处理软件，使用此软件从事相关工作的人也是图像处理人员。其它行业也有类似的效果，即将原始图像，通过一些算法、技术、手段等，转换成用户自己认为理想的图像，即把图像给处理了。

计算机视觉，或者说是机器视觉（计算机视觉与机器视觉略有不同，不过更相近），则类似于人类的视觉效果，只不过是用到了机器、计算机上。这其中，大部分的机器视觉，都包含了图像处理的过程，只有图像处理过后，才能找到图像中需要的特征，从而更进一步的执行其它的指令动作，如机械手臂的运动、机台的移动等，这些应用在大学里主要表现在机器人上，如机器人踢球、下棋等，在工业上，则主要应用于工业机器人，完成自动生产、装配、检测等工作，富士康就有大量的机器人，在农业上，则表现在一些自动收割机，如棉花收割，自动分类机器。

当然也有一些机器视觉是不需要图像处理的，如经过相机镜头等直接连接到显示器上观察的，结果好坏是由人来判断的，这时图像处理的过程是由人自己完成的，而不是计算机。还有一些图像传感器有固定的特性，如颜色传感器，那样只会有信号出来即可，也是没有图像处理的。

计算机视觉，一定是包含计算机的，而机器视觉，则不一定需要计算机，可以是智能相机，也可以是图像传感器，当然也可以使用计算机完成。

计算机图像处理技术

1. 计算机图像处理的定义广义的来说，计算机图像处理（Computer Image Processing）泛指一切利用计算机来进行与图像相关的过程、技术或系统，它与各个领域都有很深的交叉与渗透。例如，工业生产、生物医学、智能监控、虚拟现实、生活娱乐等等。计算机图像处理包括：对数字图像的处理、对数字图像的分析与理解、结合传感设备对实际事物的数字化图像采集，以及对图像处理结果的数字化表达等等。2. 计算机图像处理的具体内容

（1）数字图像处理计算机是一种数字化的处理设备，因此经典的计算机图像处理主要是指数字图像处理（Digital Image Processing），这其中包括图像的空间域处理、频域处理、复原处理、压缩处理、形态学处理、分割处理等等。计算机所要完成的工作，是运行相关的程序，以便得到所需要的图像处理结果，常用的编程语言包括C、Matlab等等。此外，像IPP、OpenCV、MTL这样的函数库，包含了许多经典、高效的图像处理模块，为开发人员带来了不少的便利。而像Photoshop这样的商用软件，则是将计算机图像处理的复杂算法，做成了友好的用户界面，为摄影爱好者、广告设计师等注重应用的人群，提供了一个简单易用的平台。可见计算机图像处理技术的应用之广！一般说来，数字图像处理技术主要应用在对图像的预处理层面上。

（2）模式识别（Pattern Recognition, PR）与计算机视觉（Computer Vision, CV）除了对图像本身进行基本的改善之外，我们还可以利用计算机图像处理技术，来挖掘出图像内部更深层次上的信息，以达到更为广泛的应用目的。例如，识别、监控、分析、预测等等。现实生活中，我们所接触到的文字识别、人脸识别、智能监控、智能交通、邮件自动快速分拣、工业非接触在线检测等等，都是基于计算机图像处理技术，以及相关的理论知识来实现的。在这个领域中，人们利用采集到的图像，和计算机强大的处理能力，来实现计算机的智能化与视觉能力，让计算机逐步成为生活、生产中提高效率的关键手段之一；同时，它也能够完成许多以往人们不可能完成的任务，从根本上改变了人们的生活方式与理念。

（3）虚拟现实与多媒体虚拟现实（Virtual Reality, VR）作为一个当今热点的研究领域，它的建立与发展在很大程度上都离不开计算机图像处理技术的发展。它通过这门技术，用数字化的形式为人们展现出了不一样的结果。例如，3D电影为人们带来了视觉上的冲击，CT、PET的三维重建技术为医生的诊断带来了更加可靠的依据，三维场景模拟则为研究人员提供了更为丰富的研究素材与表现形式等等。除此之外，计算机图像处理技术又与多媒体技术、通信技术的发展紧密结合。随处可见的移动电视、如火如荼的视频通话、蓬勃发展的高清数字电视等等，都与计算机图像处理技术息息相关，无时无刻不在深深地影响着人们的生活。3. 计算机图像处理的前景作为当今科研领域最为活跃的一个方向来讲，计算机图像处理以其独特的魅力、广泛的应用，吸引了许多国内外科研单位和企业的关注。例如，清华大学电子工程系智能图文信息处理研究室研发的“TH-OCR”文字识别系统，微软公司、英特尔公司联合研制的“数字家庭”平台等等，都是计算机图像处理应用的经典案例；同时，还有数不胜数的产品正处于研发阶段，或是批量生产阶段，等待着掀起下一轮的“技术狂潮”。因此，我们完全有理由相信，计算机图像处理技术终将会对我们的生活、工作、学习、娱乐等各方面，带来深刻而长远的影响！

机器视觉与计算机视觉的区别和共同之处

计算机视觉与机器视觉，首先是应用场景不一样，就像视远图像赵旭回答的那样：你把摄像头对着人就是CV，对着车间就是MV。

计算机视觉和机器视觉应用场景不同，就像拉货车和载客车是的，侧重点不同而已，一个侧重人工智能分支，一个侧重工业应用！简单说起来的话，计算机视觉偏重于深度学习并且偏向软件，机器视觉偏重于特征识别同时对硬件方面要求也比较高，不过随着对智能识别要求越来越高的发展，这两个方向毕竟会互相渗透互相融合，区别也仅仅限于应用领域不同而已。

其次，我感觉最大的区别，在于技术要求的侧重点不一样，甚至差别很大。

计算机视觉，主要是对质的分析，比如分类识别，这是一个杯子那是一条狗。或者做身份确认，比如人脸识别，车牌识别。或者做行为分析，比如人员入侵，徘徊，遗留物，人群聚集等。

机器视觉，主要侧重对量的分析，比如通过视觉去测量一个零件的直径，一般来说，对准确度要求很高。我记得以前接触过一个需求：视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班，做过控制系统，还开过内燃机车，很清楚道岔缺口的重要性，这玩意儿你说要是测不准，呵呵：）

当然，也不能完全按质或量一刀切，有些计算机视觉应用也需要分析量，比如商场的人数统计。有些机器视觉也需要分析质，比如零件自动分拣。但，计算机视觉一般来说对量的要求不会很高，商场人数统计误差个百分之几死不了人的，但机器视觉真的会，比如那个道岔缺口测量。

既然要求这么高，是不是机器视觉就比计算机视觉难呢？也不是的，应该说各有各的难处。

计算机视觉的应用场景相对复杂，要识别的物体类型也多，形状不规则，规律性不强。有些时候甚至很难用客观量作为识别的依据，比如识别年龄，性别。所以深度学习比较适合计算机视觉。而且光线，距离，角度等前提条件，往往是动态的，所以对于准确度要求，一般来说要低一些。

机器视觉则刚好相反，场景相对简单固定，识别的类型少（在同一个应用中），规则且有规律，但对准确度，处理速度要求都比较高。关于速度，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，所以处理速度很关键，目前基本上不适合采用深度学习。

以上讨论的是技术，商业方面，计算机视觉的应用面更广一些，毕竟很多业务是跟人相关，比如人脸识别，行为分析等，很多垂直领域都有计算机视觉潜在需求，相对来说，更适合创业；

而机器视觉顾名思义，业务主要跟机器相关，而且对准确度甚至安全性要求很高，也就在资质品牌方面有较高的门槛，所以寡头垄断严重，一般来说，更适合上班而不是创业。

机器视觉（Machine Vision, MV） & 计算机视觉（Computer Vision, CV）

从学科分类上，二者都被认为是 Artificial Intelligence 下属科目.

有几个分支：

一个是图像处理，主要是信号与系统，统计，优化

一个是求解景物与图像之间的关系，如立体视觉、三维重建，主要是几何

一个是模式识别，例如如何分割图像、识别目标，主要是人工智能

但实际提及时，主观感觉上

MV 更多注重广义图像信号（激光，摄像头）与自动化控制（生产线）方面的应用。

CV 更多注重（2D, 3D）图像信号本身的研究以及和图像相关的交叉学科研究（医学图像分析，地图导航）。