图像无处不在。我们生活在一个图像和视频承载大量信息的时代，而这些信息有时并不容易获取。因此，图像分析（也称计算机视觉）成为适用于众多场景的高价值技能。
本指南将带您走近有趣的计算机视觉领域，解释这一学科的基本原理、主要应用，以及机器学习与深度学习如何以革命性方式推动计算机视觉的发展，开启全新的可能性。
什么是计算机视觉？
简单来说，计算机视觉是人工智能的一个分支，研究计算机如何“看见”并理解数字图像和视频的内容。
计算机视觉的终极目标是让机器复现人类的视觉能力。不过，人类依靠视网膜、视神经和大脑特定区域来获取并处理视觉信息，而机器的实现方式完全不同。为了教会机器“看”，我们依赖多种技术组件，包括：
- 传感器。摄像头及配备专用传感器的设备对捕获我们周围的视觉数据至关重要。
- 数据。大多数人对图像与视频数据及其常见格式已很熟悉，例如图像的.jpg、.png，视频的.mov、.avi。但值得一提的是，图像数据形式非常多样，比如来自多路摄像头的视角、3D 扫描仪的多维数据，或各类医疗成像设备的输出。
- 算法。与其他任何数据分析一样，分析前的准备至关重要。计算机视觉研究者为图像数据清洗与准备提出了大量技术与算法，包括滤波、调整尺寸或图像归一化。完成准备后，就到精彩部分了。随着深度学习的兴起，我们可以训练功能强大的深度学习模型，在诸多任务上迅速超越人类能力，下一节将会看到具体示例。
计算机视觉的应用
视觉是许多人日常完成各类任务的关键感官。在此背景下，如今计算机视觉拥有众多现实应用也就不足为奇。
下面列出了一份并不穷尽的清单，涵盖计算机视觉最突出的应用方向。
目标检测
许多流行的计算机视觉应用都要在图像中识别事物。一个典型例子是自动驾驶汽车。自动驾驶汽车制造商利用多摄像头从环境中获取图像，使车辆能够检测物体、车道线与交通标志，从而安全驾驶。目标检测在实践中如何工作？我们强烈推荐阅读关于YOLO 目标检测算法的教程。
人脸识别
在人脸识别的安防与监控应用中，模型会分析关键特征来识别人。这需要用庞大的生物特征数据库来训练神经网络，使模型能够识别人类独特的面部特征。阅读我们单独的教程，了解如何用Python 进行人脸检测。
自动翻译
诸如 Google 翻译之类的工具允许用户用智能手机摄像头对准外语标牌，并几乎立刻以自己偏好的语言获得该标牌的翻译。
图像生成
计算机视觉应用不仅能理解图像，如今它们还能利用生成式 AI 创建逼真的图像。例如，DALL-E 是一种能根据文本描述生成图像的生成式 AI 模型；Sora 则可对视频做同样的事情。另一个例子是“Deepfake（深度伪造）”。深度伪造软件可在虚假视频中呈现并未真实出现过的人物。通过理解构成人脸的要素，深度伪造可以生成全新的人脸。
还想了解计算机视觉的其他应用？请查看我们的专题文章：19 个从入门到进阶的计算机视觉项目。
AI 中的计算机视觉
当今这些独特的计算机视觉应用离不开 AI，尤其是深度学习模型。要理解原因，首先需要明白数字图像是什么——这是计算机视觉中最基本的信息单元。
数字图像由数百、甚至数千个像素组成，像素包含颜色与强度信息。在灰度图像中，每个像素的强度可以用 0 到 255 之间的数字表示。
灰度图像。来源：DataCamp
相比之下，彩色图像通常使用 RGB 体系存储。RGB 代表红（Red）、绿（Green）和蓝（Blue）。可以将一幅图像视为由三个栅格表示，每个颜色通道对应一个栅格。这意味着，与灰度图像相比，存储一幅彩色图像需要三倍的数据量。
彩色图像。来源：DataCamp
因此，数字图像可以被看作是一堆数字。不久之前，我们还缺乏足够强大的工具来处理图像并从中提取信息。情况在 2010 年代初发生变化，当时深度学习研究者开发出一种特别适合计算机视觉任务的全新神经网络。
如今，得益于深度学习的进步，以及 GPU、云计算与海量图像数据的普及，数据从业者可以训练能够胜任复杂计算机视觉任务的强大神经网络。
在生成式 AI 的推动下，最新的视觉语言模型（VLM）能够同时理解和处理视觉与文本数据，支持图像描述、视觉问答和文生图等新任务。
对神经网络感兴趣？欢迎从我们的Python 深度学习入门课程开始。
用于计算机视觉的神经网络。来源：NVIDIA
机器视觉与计算机视觉的区别
许多入门者常常混淆机器视觉与计算机视觉的差异。
机器视觉指在制造过程中使用摄像头、传感器及算法，帮助计算机与机器人分析图像并做出相应决策。其应用包括自动检测、质量控制与机器人引导等任务。
该术语多用于制造与工业场景，因此其范围通常更聚焦、面向具体应用，相较之下，计算机视觉横跨多行业，应用更广。同时，在复杂度上，计算机视觉往往涉及更复杂的处理与解释。
您可以在下表中看到机器视觉与计算机视觉的差异：
|
方面
|
机器视觉
|
计算机视觉
|
|
定义
|
在工业环境中使用摄像头、传感器和算法来分析图像并做出决策。
|
人工智能的一个领域，致力于让计算机能够解释与理解数字图像和视频。
|
|
主要用例
|
质量控制、缺陷检测、流水线监测与机器人引导。
|
目标检测、人脸识别、图像生成、自动驾驶与医学影像。
|
|
复杂度
|
通常更简单，且针对具体任务。
|
涉及复杂处理，常使用 AI 与深度学习模型。
|
|
范围
|
狭窄、面向特定应用（主要为制造与工业自动化）。
|
广泛，涵盖医疗、零售、汽车与娱乐等多个行业。
|
|
技术侧重
|
在可控环境下用于采集与分析图像的摄像头、照明与硬件。
|
用于高级图像理解的算法、神经网络与海量数据集。
|
|
示例
|
电路板的自动化检测、工厂中机械臂的引导。
|
训练自动驾驶汽车、生成深度伪造，或在医学影像中识别疾病。
|
计算机视觉入门
计算机视觉是 AI 领域最令人兴奋且最受欢迎的学科之一。如果您想入门该领域，DataCamp 可以助您一臂之力。我们致力于为数据从业者提供有价值且与时俱进的课程与专门资料。
我们强烈建议从我们的Python 图像处理技能路径开始。该路径涵盖从图像预处理到深度学习的基础内容。您将从图像增强与修复起步，进而处理生物医学图像，分析更复杂的图像类型，如 MRI 与 X 光。路径最后是卷积神经网络课程，您将学会构建强大的深度学习图像分类器。
若需要技术资源，请参考以下内容：
结语
希望这篇友好的计算机视觉入门为您带来收获。这个领域精彩纷呈，新的计算机视觉应用每天都在进入市场。若您想成为计算机视觉专家，Python 图像处理技能路径是不二之选。
图像无处不在。我们生活在一个图像和视频承载大量信息的时代，而这些信息有时并不容易获取。因此，图像分析（也称计算机视觉）成为适用于众多场景的高价值技能。
本指南将带您走近有趣的计算机视觉领域，解释这一学科的基本原理、主要应用，以及机器学习与深度学习如何以革命性方式推动计算机视觉的发展，开启全新的可能性。
什么是计算机视觉？
简单来说，计算机视觉是人工智能的一个分支，研究计算机如何“看见”并理解数字图像和视频的内容。
计算机视觉的终极目标是让机器复现人类的视觉能力。不过，人类依靠视网膜、视神经和大脑特定区域来获取并处理视觉信息，而机器的实现方式完全不同。为了教会机器“看”，我们依赖多种技术组件，包括：
计算机视觉的应用
视觉是许多人日常完成各类任务的关键感官。在此背景下，如今计算机视觉拥有众多现实应用也就不足为奇。
下面列出了一份并不穷尽的清单，涵盖计算机视觉最突出的应用方向。
目标检测
许多流行的计算机视觉应用都要在图像中识别事物。一个典型例子是自动驾驶汽车。自动驾驶汽车制造商利用多摄像头从环境中获取图像，使车辆能够检测物体、车道线与交通标志，从而安全驾驶。目标检测在实践中如何工作？我们强烈推荐阅读关于YOLO 目标检测算法的教程。
人脸识别
在人脸识别的安防与监控应用中，模型会分析关键特征来识别人。这需要用庞大的生物特征数据库来训练神经网络，使模型能够识别人类独特的面部特征。阅读我们单独的教程，了解如何用Python 进行人脸检测。
自动翻译
诸如 Google 翻译之类的工具允许用户用智能手机摄像头对准外语标牌，并几乎立刻以自己偏好的语言获得该标牌的翻译。
图像生成
计算机视觉应用不仅能理解图像，如今它们还能利用生成式 AI 创建逼真的图像。例如，DALL-E 是一种能根据文本描述生成图像的生成式 AI 模型；Sora 则可对视频做同样的事情。另一个例子是“Deepfake（深度伪造）”。深度伪造软件可在虚假视频中呈现并未真实出现过的人物。通过理解构成人脸的要素，深度伪造可以生成全新的人脸。
还想了解计算机视觉的其他应用？请查看我们的专题文章：19 个从入门到进阶的计算机视觉项目。
AI 中的计算机视觉
当今这些独特的计算机视觉应用离不开 AI，尤其是深度学习模型。要理解原因，首先需要明白数字图像是什么——这是计算机视觉中最基本的信息单元。
数字图像由数百、甚至数千个像素组成，像素包含颜色与强度信息。在灰度图像中，每个像素的强度可以用 0 到 255 之间的数字表示。
灰度图像。来源：DataCamp
相比之下，彩色图像通常使用 RGB 体系存储。RGB 代表红（Red）、绿（Green）和蓝（Blue）。可以将一幅图像视为由三个栅格表示，每个颜色通道对应一个栅格。这意味着，与灰度图像相比，存储一幅彩色图像需要三倍的数据量。
彩色图像。来源：DataCamp
因此，数字图像可以被看作是一堆数字。不久之前，我们还缺乏足够强大的工具来处理图像并从中提取信息。情况在 2010 年代初发生变化，当时深度学习研究者开发出一种特别适合计算机视觉任务的全新神经网络。
如今，得益于深度学习的进步，以及 GPU、云计算与海量图像数据的普及，数据从业者可以训练能够胜任复杂计算机视觉任务的强大神经网络。
在生成式 AI 的推动下，最新的视觉语言模型（VLM）能够同时理解和处理视觉与文本数据，支持图像描述、视觉问答和文生图等新任务。
对神经网络感兴趣？欢迎从我们的Python 深度学习入门课程开始。
用于计算机视觉的神经网络。来源：NVIDIA
机器视觉与计算机视觉的区别
许多入门者常常混淆机器视觉与计算机视觉的差异。
机器视觉指在制造过程中使用摄像头、传感器及算法，帮助计算机与机器人分析图像并做出相应决策。其应用包括自动检测、质量控制与机器人引导等任务。
该术语多用于制造与工业场景，因此其范围通常更聚焦、面向具体应用，相较之下，计算机视觉横跨多行业，应用更广。同时，在复杂度上，计算机视觉往往涉及更复杂的处理与解释。
您可以在下表中看到机器视觉与计算机视觉的差异：
方面
机器视觉
计算机视觉
定义
在工业环境中使用摄像头、传感器和算法来分析图像并做出决策。
人工智能的一个领域，致力于让计算机能够解释与理解数字图像和视频。
主要用例
质量控制、缺陷检测、流水线监测与机器人引导。
目标检测、人脸识别、图像生成、自动驾驶与医学影像。
复杂度
通常更简单，且针对具体任务。
涉及复杂处理，常使用 AI 与深度学习模型。
范围
狭窄、面向特定应用（主要为制造与工业自动化）。
广泛，涵盖医疗、零售、汽车与娱乐等多个行业。
技术侧重
在可控环境下用于采集与分析图像的摄像头、照明与硬件。
用于高级图像理解的算法、神经网络与海量数据集。
示例
电路板的自动化检测、工厂中机械臂的引导。
训练自动驾驶汽车、生成深度伪造，或在医学影像中识别疾病。
计算机视觉入门
计算机视觉是 AI 领域最令人兴奋且最受欢迎的学科之一。如果您想入门该领域，DataCamp 可以助您一臂之力。我们致力于为数据从业者提供有价值且与时俱进的课程与专门资料。
我们强烈建议从我们的Python 图像处理技能路径开始。该路径涵盖从图像预处理到深度学习的基础内容。您将从图像增强与修复起步，进而处理生物医学图像，分析更复杂的图像类型，如 MRI 与 X 光。路径最后是卷积神经网络课程，您将学会构建强大的深度学习图像分类器。
若需要技术资源，请参考以下内容：
结语
希望这篇友好的计算机视觉入门为您带来收获。这个领域精彩纷呈，新的计算机视觉应用每天都在进入市场。若您想成为计算机视觉专家，Python 图像处理技能路径是不二之选。