電腦視覺處理流程 (Computer Vision Pipeline) 通常包含以下幾個主要步驟，讓電腦能夠「看懂」圖像或影片：
- 圖像獲取 (Image Acquisition):
- 這是流程的第一步，目的是取得數位圖像或影片。來源可能包括相機、監視器、網路攝影機、掃描器，或已儲存的圖像/影片檔案。
- 根據應用場景的不同，可能需要考慮圖像的品質、解析度、光照條件等因素。
- 圖像預處理 (Image Preprocessing):
- 在這個階段，原始圖像會進行一系列的處理，以改善圖像品質，減少雜訊，並使後續的分析更容易進行。常見的預處理技術包括： 調整大小 (Resizing): 將圖像縮放或裁剪到特定尺寸，以符合模型或演算法的要求。 雜訊消除 (Noise Reduction): 使用濾波器（例如：高斯濾波、中值濾波）去除圖像中的雜訊。 亮度與對比度調整 (Brightness and Contrast Adjustment): 調整圖像的整體亮度或增加圖像中不同區域之間的對比度，以提高可見性。 色彩空間轉換 (Color Space Conversion): 將圖像從一個色彩空間（例如：RGB）轉換到另一個色彩空間（例如：灰度、HSV），以便更好地提取特定特徵。 圖像增強 (Image Enhancement): 利用各種技術（例如：直方圖均衡化）來改善圖像的視覺效果，突出感興趣的特徵。
- 特徵提取 (Feature Extraction):
- 這個步驟旨在從預處理後的圖像中提取有意義的特徵，這些特徵能夠代表圖像的內容，並且對於特定的電腦視覺任務是有用的。常見的特徵提取方法包括： 傳統方法: 例如：邊緣檢測（Canny, Sobel）、角點檢測（Harris）、紋理分析（LBP, HOG）、色彩直方圖等。 深度學習方法: 使用卷積神經網路 (Convolutional Neural Networks, CNNs) 自動學習圖像中的層次化特徵。模型如 AlexNet、VGG、ResNet 等都能有效地提取圖像特徵。
- 模型建立與訓練 (Model Building and Training):
- 根據電腦視覺任務的不同（例如：圖像分類、物件偵測、圖像分割），需要選擇或設計合適的機器學習或深度學習模型。
- 圖像分類: 目的是將整張圖像劃分到預定義的類別中。常見的模型包括 CNNs。
- 物件偵測: 目的是在圖像中找出特定物件的位置並標示出來。常見的模型包括 YOLO、Faster R-CNN、SSD 等。
- 圖像分割: 目的是將圖像中的每個像素分配到一個特定的類別。常見的模型包括 U-Net、Mask R-CNN 等。
- 模型通常需要在大量的標註數據上進行訓練，通過調整模型參數，使其能夠準確地執行目標任務。
- 模型評估 (Model Evaluation):
- 在模型訓練完成後，需要使用獨立的測試數據集來評估模型的性能。常用的評估指標包括準確率 (Accuracy)、精確度 (Precision)、召回率 (Recall)、F1 分數 (F1-score)、平均精確度均值 (Mean Average Precision, mAP) 等。
- 推理與應用 (Inference and Application):
- 一旦模型達到滿意的性能，就可以將其部署到實際應用中，對新的、未見過的圖像或影片進行分析和預測。
- 應用領域非常廣泛，包括： 醫療影像分析: 疾病診斷、病灶檢測。 自動駕駛: 環境感知、交通標誌識別、行人檢測。 安全監控: 行為分析、入侵檢測、人臉辨識。 工業檢測: 產品缺陷檢測、品質控制。 零售業: 商品識別、顧客行為分析。 影像搜尋: 以圖搜圖。
值得一提的是，Transformer 模型近年來在電腦視覺領域也取得了顯著的進展。 最初在自然語言處理領域大放異彩的 Transformer 架構，現在也被廣泛應用於圖像分類 (如 Vision Transformer - ViT)、物件偵測、圖像分割等多種電腦視覺任務中。它們利用自注意力機制 (Self-Attention) 來捕捉圖像中不同區域之間的長距離依賴關係，展現出強大的特徵表示能力。
總結來說，電腦視覺處理流程是一個多步驟的過程，涉及圖像的獲取、預處理、特徵提取、模型建立與訓練、模型評估以及最終的推理與應用。每個步驟都至關重要，並且會根據具體的應用場景和任務需求進行調整和優化。
