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 。
