图像处理、机器视觉、机器学习、深度学习的区别
大纲
1.图像处理、机器视觉、机器学习、深度学习的区别
2.计算机视觉和机器视觉区别
1.图像处理、机器视觉、机器学习、深度学习的区别
先上思维导图:
具体解释:
1.图像处理:是偏应用的层面,就是对图像进行处理以满足某个任务或需求
如:图像识别、图像风格、图像去噪等
2.机器视觉:CV(computer vision),用机器学习的方法去解决图像处理问题,目前主流的方式是深度学习
3.深度学习:目前主流的人工智能实现方式,主要研究重点在神经网络上,“深度”是指神经网络的深度,
主要 应用:机器视觉(MV)、自然语言处理(NLP)、推荐系统等。
目前工业界主要使用的一类模型之一,也是近几年研究的焦点。
总之,机器学习是深度学习的一类应用,机器学习是包括深度学习在内的一个学科,而图像处理则主要应用机器视觉
的方法。
2.计算机视觉和机器视觉区别
1.计算机视觉:主要是对质的分析。
(1)比如分类识别:是二分类问题或多分类问题,如是猫还是狗。
(2)或用来做身份确认:如姿态识别、人脸识别、车牌识别。
(3)行为分析:人员入侵、徘徊、遗留物、人群聚集。
应用场景:
应用场景相对复杂,要识别的物体类型很多,形状不规则,规律性不强。
如年龄识别,有些人显得年轻,但是实际年龄很大。所以深度学习比较适合计算机视觉。
从摄像头camera的角度,需要考虑光线,距离,角度等前提条件,则准确度一般要低些。
应用场景相对复杂
2.机器视觉,主要侧重量的分析。
(1)通过视觉去检测一个零件的直径。对于准确度要求比较高。
如用机器视觉测量 铁路道岔口缺口。
应用场景:
相对固定,识别类型较少,规则且有规律,但是对象嵌入式设备的这种实时性要求较高。
从resolution角度其高于CV,不适合深度学习。
共同点:计算机视觉也需要量的分析,如商场的人数统计。机器视觉也需要分析
质,比如零件自动分拣。但总体而说,计算机视觉一般对量的要求不高,在商场
统计误差少几个人没事,但是机器视觉真的会,如导弹发射等等精确度较高的场合,
如1977年的挑战者号和2001年的哥伦比亚号 。