「電腦視覺 (CV - Computer Vision)」是一個跨學科的領域，旨在讓電腦能夠「看懂」並理解圖像和影片。它屬於人工智慧 (AI) 的一個分支，結合了計算機科學、數學、以及對人類視覺系統的理解。
簡單來說，電腦視覺的目標是開發能夠從視覺輸入（例如圖像、影片、多個視角）中提取、分析、理解和利用信息的計算機系統。它試圖賦予機器類似於人類視覺的能力。
電腦視覺的主要目標：- 圖像辨識 (Image Recognition): 識別圖像中包含的物體、人物、場景或概念。例如，判斷一張圖片中是否有一隻貓。
- 目標檢測 (Object Detection): 不僅識別圖像中的物體，還要指出它們在圖像中的位置（通常通過邊界框）。例如，在一張圖片中找到所有的車輛和行人並標出它們的位置。
- 圖像分割 (Image Segmentation): 將圖像劃分為不同的區域或像素，並將每個區域或像素分配到一個特定的類別。包括語義分割（將圖像中的每個像素分類到一個語義類別）和實例分割（將圖像中相同類別的不同個體也區分開）。
- 姿勢估計 (Pose Estimation): 估計圖像或影片中人物或物體的姿勢和關鍵點的位置。例如，識別人體關節的位置。
- 圖像生成 (Image Generation): 從文本描述或其他形式的輸入生成新的圖像。
- 圖像描述 (Image Captioning): 自動生成描述圖像內容的自然語言文本。
- 人臉辨識 (Face Recognition): 識別圖像或影片中的人臉，並將其與已知身份進行匹配。
- 運動分析 (Motion Analysis): 分析影片中的物體運動，例如追蹤物體的軌跡。
- 3D 重建 (3D Reconstruction): 從多個視角的圖像或影片中重建場景或物體的 3D 模型。
電腦視覺的工作原理：
電腦視覺系統通常包含以下幾個步驟：
- 圖像獲取 (Image Acquisition): 通過攝像頭、掃描儀或其他感測器獲取圖像或影片數據。
- 圖像預處理 (Image Preprocessing): 對圖像進行必要的處理，例如調整大小、去噪、調整亮度對比度等，以改善圖像質量並使其更適合後續分析。
- 特徵提取 (Feature Extraction): 從預處理後的圖像中提取有意義的特徵，例如邊緣、角點、紋理、顏色等。傳統方法包括手工設計特徵（例如 SIFT、HOG）。
- 模型訓練與辨識 (Model Training and Recognition): 使用提取的特徵訓練機器學習或深度學習模型（例如卷積神經網路 CNN）。訓練好的模型可以用於辨識或分類圖像中的內容。
- 後處理與結果輸出 (Post-processing and Output): 對模型的輸出進行後處理，例如過濾、聚類等，並以人類可理解的形式呈現結果（例如標籤、邊界框、描述文本）。
電腦視覺的應用領域：
電腦視覺技術已經廣泛應用於各個領域，包括：
- 自動駕駛 (Autonomous Driving): 感知周圍環境，識別道路、車輛、行人等。
- 醫療保健 (Healthcare): 輔助診斷疾病、分析醫學影像。
- 安全監控 (Security and Surveillance): 人臉辨識、異常行為檢測。
- 零售業 (Retail): 商品識別、顧客行為分析。
- 工業自動化 (Industrial Automation): 產品檢測、質量控制。
- 農業 (Agriculture): 病蟲害檢測、作物監測。
- 娛樂 (Entertainment): 特效製作、虛擬實境、擴增實境。
- 社交媒體 (Social Media): 人臉識別、內容理解。
- 機器人 (Robotics): 導航、物體抓取、環境理解。
總之，電腦視覺是一個充滿活力且快速發展的領域，它正不斷地賦予機器越來越強大的「視覺」能力，並在我們的日常生活中扮演著越來越重要的角色。
