计算机视觉 (Computer Vision, CV) 是人工智能的一个关键分支，旨在让计算机能够"看懂"并解释数字图像或视频中的内容。它模仿人类的视觉系统，让机器能够感知、识别、理解并对视觉世界做出反应。从医疗诊断、自动驾驶到智能安防，CV 的应用已经深入到我们生活的方方面面。
本文将深入探讨计算机视觉的三个核心基础：图像处理、特征提取以及识别与理解。
一、 图像处理 (Image Processing)
图像处理是计算机视觉的起点，它涉及对数字图像进行一系列操作，以增强其视觉质量、提取有用信息或为后续分析做准备。
1.1 数字图像的表示
像素 (Pixel)： 数字图像是像素的集合。每个像素是一个小方块，包含其颜色和亮度信息。
图像类型：
灰度图像 (Grayscale Images)： 每个像素只有一个亮度值（通常为 0-255，0代表黑色，255代表白色）。
彩色图像 (Color Images)：
RGB： 分为红 (R)、绿 (G)、蓝 (B) 三个颜色通道，每个通道的像素值组合成颜色。
HSV/HSL： 色相 (Hue)、饱和度 (Saturation)、亮度/明度 (Value/Lightness)，更符合人类对颜色的感知。
图像尺寸： 由像素的行数和列数决定，例如 640x480 表示图像宽度为 640 像素，高度为 480 像素。
1.2 图像增强 (Image Enhancement)
旨在改善图像的视觉效果，使其更适合人类观察或机器处理。
亮度/对比度调整： 改变图像的整体亮度或像素值之间的差异。
去噪 (Noise Reduction)： 消除图像中的随机干扰（如椒盐噪声、高斯噪声）。
常用方法： 中值滤波、高斯滤波、双边滤波。
锐化 (Sharpening)： 增强图像的边缘和细节，使图像看起来更清晰。
常用方法： 拉普拉斯算子、Sobel 算子（也用于边缘检测）。
1.3 图像变换 (Image Transformations)
改变图像的几何属性。
平移 (Translation)： 将图像在水平或垂直方向上移动。
旋转 (Rotation)： 将图像围绕一个点进行旋转。
缩放 (Scaling)： 放大或缩小图像。
仿射变换 (Affine Transformation)： 结合了平移、旋转、缩放和剪切（Shear），保持平行线仍平行。
透视变换 (Perspective Transformation)： 模拟人眼或相机观察物体的角度变化，使平行线在图像中不再平行。
1.4 颜色空间转换
根据不同任务的需求，在不同颜色空间之间进行转换。例如，从 RGB 转换到 HSV 可以更容易地分离颜色和亮度信息，从而实现颜色分割。
二、 特征提取 (Feature Extraction)
原始图像包含大量像素信息，直接输入模型计算量大且噪声多。特征提取是从图像中提取出能够代表图像内容的关键信息（特征）的过程。
2.1 边缘和角点检测 (Edge and Corner Detection)
边缘： 图像中像素值发生剧烈变化的地方，通常对应于物体边界、纹理变化或表面法线方向的变化。
算子： Sobel、Scharr、Canny 边缘检测器（一种更稳健的边缘检测算法）。
角点： 图像中具有两个或更多个边缘交汇的点，对视角、光照等变化具有较强的鲁棒性。
方法： Harris 角点检测、Shi-Tomasi 角点检测。
2.2 纹理描述 (Texture Description)
描述图像表面或区域的视觉模式（如平滑、粗糙、规律性）。
方法：
灰度共生矩阵 (GLCM - Gray-Level Co-occurrence Matrix)： 统计像素对在特定方向和距离上的共现概率。
局部二值模式 (LBP - Local Binary Pattern)： 描述像素与其邻域的灰度关系。
2.3 颜色直方图 (Color Histogram)
统计图像中不同颜色（或亮度）的像素数量或比例。提供了一种简化的全局颜色信息表示。
2.4 传统手工设计特征 (Handcrafted Features)
在深度学习普及之前，许多特征是手工设计的，如：
SIFT (Scale-Invariant Feature Transform)： 尺度不变特征变换，对尺度、旋转、光照变化具有鲁棒性，用于图像匹配、识别。
SURF (Speeded-Up Robust Features)： SIFT 的加速版本。
HOG (Histogram of Oriented Gradients)： 方向梯度直方图，通过计算图像局部区域的梯度方向分布来描述形状，特别适用于行人检测。
2.5 深度学习特征（Learned Features）
如今，深度学习模型，尤其是卷积神经网络 (CNN)，成为最强大的特征提取器。
CNN 的层级特征： CNN 的不同层学习到不同抽象级别的特征。
浅层： 学习边缘、角点、颜色等低级特征。
中层： 组合低级特征，学习到更复杂的模式，如纹理、局部形状。
深层： 组合中级特征，学习到高层次的语义信息，如物体的部件（眼睛、轮子）、甚至是整个物体。
模型： AlexNet, VGG, ResNet, Inception, MobileNet 等。将图像输入 CNN，可以通过不同层的输出作为特征。
迁移学习 (Transfer Learning)： 使用在大规模数据集（如 ImageNet）上预训练好的 CNN 模型，提取通用特征，然后将其用于特定任务。
三、 识别与理解 (Recognition and Understanding)
提取到有意义的特征后，下一步就是利用这些特征来执行具体的视觉任务。
3.1 图像分类 (Image Classification)
任务： 给定一张图像，判断它属于哪个预定义的类别（如猫、狗、飞机）。
流程： 图像 -> 特征提取 -> 分类器（如 Softmax 层）-> 预测类别。
模型： CNN 是主流，通过卷积层提取特征，最后接全连接层和 Softmax 进行分类。
3.2 目标检测 (Object Detection)
任务： 在图像中找出所有目标物体的位置（通常用边界框表示）和类别。
挑战： 检测物体的数量、位置、尺度变化，以及区分相似物体。
主要方法：
Two-stage Detectors (两阶段检测器)：
R-CNN 家族 (R-CNN, Fast R-CNN, Faster R-CNN)： 先通过区域提议网络 (RPN) 生成候选区域，再对这些区域进行分类和边界框回归。
One-stage Detectors (单阶段检测器)：
YOLO (You Only Look Once), SSD (Single Shot MultiBox Detector)： 直接在整个图像上进行区域提议和类别预测，速度更快，适合实时应用。
3.3 图像分割 (Image Segmentation)
任务： 将图像中的每个像素分配到一个类别。
类型：
语义分割 (Semantic Segmentation)： 将属于同一类别的像素分组，但不区分同类别的不同实例。例如，标记图像中所有"人"的像素，但不管这是哪一个"人"。
实例分割 (Instance Segmentation)： 不仅区分不同类别，还区分同类别的不同实例。例如，标记图像中"人 1"的像素，"人 2"的像素。
模型：
语义分割： FCN (Fully Convolutional Network), U-Net, DeepLab 系列。
实例分割： Mask R-CNN (在 Faster R-CNN 基础上增加分割掩码分支)。
3.4 人脸识别 (Face Recognition)
任务： 识别或验证图像中的人脸身份。
流程： 人脸检测 -> 人脸对齐 -> 特征提取（人脸嵌入/Face Embeddings）-> 人脸比对。
模型： 常使用深度 CNN 来提取人脸特征，并通过度量学习 (Metric Learning) 的方式训练模型，使同一人的不同照片特征距离近，不同人的特征距离远。
3.5 姿态估计 (Pose Estimation)
任务： 检测图像中人体或物体的关键点（如关节点、关键部位），以推断其姿态。
应用： 人体动作分析、人机交互、游戏、虚拟现实。
模型： 基于 CNN 和 Heatmap 的预测。
3.6 场景理解 (Scene Understanding)
任务： 理解图像或视频的整体场景，包括场景中的物体、它们之间的关系、以及场景的类型（如室内、室外、客厅、街道）。
技术： 目标检测、分割、场景分类、关系推理等技术的结合。
三、 总结
计算机视觉的基础是一个层层递进的过程：
图像处理： 是对原始图像进行预处理和增强，为后续分析打下基础。
特征提取： 是从像素信息中提取出具有代表性的、鲁棒的视觉信息，传统方法依赖手工设计，而现代方法则主要依赖深度学习模型（特别是 CNN）自动学习。
识别与理解： 是利用提取到的特征，通过各种模型来完成具体的视觉任务，如分类、检测、分割、识别等。
深度学习的出现极大地推动了计算机视觉的进步，特别是 CNN 和 Transformer 等模型的引入，使得机器在许多视觉任务上已经能够媲美甚至超越人类的表现。掌握这些基础知识，是理解和应用先进 CV 技术的前提。