计算机视觉与图像处理、模式识别、机器学习学科之间的关系
计算机视觉的基础知识
计算机视觉的基础知识计算机视觉是一门研究计算机系统如何“理解”和解释视觉信息的学科领域。
它是人工智能和计算机图形学的交叉学科，涉及图像处理、模式识别、机器学习和计算机图形学等多个领域，可以应用于医学影像、自动驾驶、安防监控、智能手机相机等各种领域。
本文将介绍计算机视觉的基础知识，包括图像处理、特征提取、目标检测、深度学习和计算机视觉应用等方面的内容。
一、图像处理图像处理是计算机视觉的基础技术之一，它涉及对图像进行预处理、增强、噪声去除、边缘检测、图像分割等操作。
常见的图像处理技术包括模糊滤波、锐化滤波、直方图均衡化、腐蚀膨胀、边缘检测算子等。
图像处理技术可以帮助计算机系统更好地理解图像信息，为后续的特征提取和目标检测提供更好的输入数据。
二、特征提取特征提取是计算机视觉中的重要环节，它涉及将图像中的信息转化为计算机能够理解的特征向量。
常见的特征提取方法包括颜色直方图、梯度直方图、局部二值模式、哈尔小波变换等。
特征提取的目标是提取出能够表征图像内在信息的特征向量，为后续的目标检测和分类任务提供有效的输入。
三、目标检测目标检测是计算机视觉中的核心任务之一，它涉及在图像中识别和定位特定的目标物体。
目标检测技术可以分为两个阶段：特征提取和目标分类。
在特征提取阶段，计算机系统会对图像中的信息进行提取，然后通过各种分类算法进行目标分类。
常见的目标检测算法包括Haar特征级联检测器、HOG+SVM、YOLO、Faster R-CNN等。
四、深度学习深度学习是近年来计算机视觉领域取得突破性进展的重要驱动力。
深度学习借鉴了人脑神经元网络的结构，通过多层神经网络进行特征提取和分类，在图像识别、目标检测、语义分割等任务中取得了显著的成果。
常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、生成对抗网络（GAN）等。
五、计算机视觉应用计算机视觉在各个领域都有着广泛的应用，以下是其中的一些典型应用：1.医学影像：计算机视觉可以帮助医生对CT、MRI等医学影像进行自动分析和诊断，辅助医生制定治疗方案。
介绍计算机视觉技术的基本概念与原理
介绍计算机视觉技术的基本概念与原理计算机视觉技术是一种模仿人类视觉系统的人工智能技术，通过使用计算机和相应的算法来处理和理解图像和视频数据。
它涉及图像处理、模式识别、机器学习和人工智能等领域，旨在让计算机能够“看”和“理解”图像，并从中提取有用的信息。
计算机视觉技术的基本概念包括图像获取、图像预处理、特征提取、目标检测与识别以及图像分析和理解。
首先，图像获取是计算机视觉的起点。
计算机视觉系统需要通过摄像头或其他图像采集设备获得图像或视频数据。
随着技术的发展，现在许多智能设备都具备了图像采集功能，例如手机、安防摄像头等。
然后，图像预处理是对图像进行处理和去噪以减少图像中的噪声和失真。
常见的预处理方法包括图像去噪、图像增强、图像缩放和图像去除背景等。
这些预处理方法能够提高图像质量，并为后续的处理步骤提供更好的基础。
接下来，特征提取是计算机视觉技术中的一个重要环节。
通过提取图像中的特征，可以将复杂的图像数据转换为计算机可以处理的数值数据。
常用的特征包括边缘、纹理、颜色、形状等。
特征提取方法可以有很多种，如直方图、SIFT（尺度不变特征转换）、HOG（方向梯度直方图）等。
在目标检测与识别方面，计算机视觉技术通过训练模型来自动识别和检测图像中的目标物体。
目标检测是在图像中找到感兴趣的目标的位置和边界，而目标识别则是确定目标物体的类别。
这一步骤可以通过机器学习和深度学习等方法来实现，如支持向量机（SVM）、卷积神经网络（CNN）等。
最后，图像分析和理解是计算机视觉技术的最终目标。
通过对图像进行分析和理解，计算机可以获得更高层次的理解和推理能力。
这包括图像语义分割、目标跟踪、行为识别等。
图像分析和理解可以应用在许多领域，如自动驾驶、人脸识别、图像搜索等。
计算机视觉技术的原理是基于图像的数学表示和计算机算法的结合。
图像可以看作是二维像素矩阵，每个像素点上都有一个灰度或颜色值。
计算机视觉算法通过对图像矩阵的分析和处理来实现图像的识别和分析。
计算机视觉与图像处理、模式识别、机器学习学科之间的关系
计算机视觉与图像处理、模式识别、机器学习学科(xuékē)之间的关系计算机视觉与图像处理、模式识别、机器学习(xuéxí)学科之间的关系在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效(yǒuxiào)运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。
纵观一切关系，发现计算机视觉的应用服务于机器学习。
各个环节缺一不可，相辅相成。
计算机视觉(shìjué)（computer vision），用计算机来模拟人的视觉机理获取和处理信息(xìnxī)的能力。
就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。
计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息(xìnxī)’的人工智能系统。
计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。
机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。
一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。
图像处理（image processing），用计算机对图像进行分析，以达到所需结果的技术。
又称影像处理。
基本内容图像处理一般指数字图像处理。
数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。
图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。
常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。
图像处理一般指数字图像处理。
模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。
图像处理与计算机视觉技术
图像处理与计算机视觉技术近年来，图像处理和计算机视觉技术在各行各业得到了广泛应用。
从医学影像到自动驾驶，从安防监控到娱乐游戏，这些技术正在改变我们的生活方式和工作方式。
在本文中，将探讨这两种技术的应用和未来发展。
一、图像处理技术图像处理技术是数字图像处理、压缩、增强、修复和分析等技术的总称。
它主要包括以下几个方面：1. 数字图像处理数字图像处理是对数字图像进行操作和处理的技术，包括图像去噪、图像增强、图像复原、图像分割、图像压缩等。
数字图像处理技术广泛应用于医学影像、摄影以及工业检测等领域。
2. 图像识别图像识别技术是指利用计算机对图像进行处理，从而实现对图像中对象、形状、轮廓等特征的识别。
图像识别技术在工厂质检、遥感影像分析、安防监控等领域有着广泛的应用。
3. 人脸识别人脸识别技术是指利用计算机对人脸图像进行处理，从而实现对人脸的识别、比对和辨认的技术。
人脸识别技术可以应用在安防监控、门禁考勤、公安案件侦破等领域。
二、计算机视觉技术计算机视觉技术是指利用计算机对视觉信息进行处理、分析、理解和获取的技术，涵盖了图像处理、模式识别、机器学习、深度学习等多个领域。
计算机视觉技术主要包括以下几个方面：1. 物体检测和跟踪物体检测和跟踪技术是指利用计算机对图像中的指定物体进行识别、定位和跟踪的技术。
这种技术可以应用于自动驾驶、无人机、安防监控等领域。
2. 模式识别模式识别技术是指对大量数据进行分析和处理，从而寻找数据中的模式和规律，以进行分类和识别。
这种技术可以应用于人脸识别、指纹识别、语音识别、股票分析等领域。
3. 机器学习机器学习技术是指让计算机根据大量的数据自主学习并改进模型和算法的技术。
这种技术可以应用于自然语言处理、图像识别、人工智能等领域。
三、图像处理和计算机视觉的未来发展随着计算机技术和人工智能技术的不断发展，图像处理和计算机视觉技术将会在未来有更多的发展和应用：1. 智能制造智能制造是指利用数字化、网络化和智能化技术对制造业进行升级的过程。
计算机视觉与模式识别
计算机视觉与模式识别计算机视觉和模式识别是当今科技领域中备受关注的重要研究方向。
随着计算机技术的飞速发展，计算机视觉和模式识别的应用范围也越来越广泛。
这两个领域通过模拟人类视觉系统，使计算机能够自动感知和理解图像或视频。
一、计算机视觉的定义和应用计算机视觉是指让计算机通过摄像机或其他传感器获取图像或视频，并对其进行分析、解释和处理的能力。
它可以应用于许多领域，例如机器人技术、无人驾驶、安防监控、医疗影像分析等。
在机器人技术中，计算机视觉可以帮助机器人感知环境，并根据图像信息作出决策和执行任务。
在无人驾驶领域，计算机视觉能够实现车辆的自主导航和避障。
在医疗影像分析方面，计算机视觉可以帮助医生快速准确地诊断疾病。
二、模式识别的定义和应用模式识别是指计算机识别和分类具有相似特征的对象或样本的能力。
它可以用于人脸识别、指纹识别、语音识别等众多应用。
在人脸识别领域，模式识别可以通过分析人脸的特征点、纹理和形状等信息，实现人脸的自动识别和验证。
在指纹识别方面，模式识别可以通过比对指纹图像的纹理和形状等特征，完成指纹的自动识别。
在语音识别领域，模式识别可以通过分析语音信号的频谱和时域特征，实现语音的转换和识别。
三、计算机视觉与模式识别的关系计算机视觉和模式识别是密切相关的领域，常常被放在一起进行研究和应用。
计算机视觉可以为模式识别提供丰富的图像信息，帮助提取有用的特征。
而模式识别可以为计算机视觉提供强大的分类和识别能力，帮助准确解析和理解图像或视频。
两者结合可以大大提高计算机在感知和认知方面的能力，进而推动人工智能的发展。
四、计算机视觉与模式识别的挑战和未来发展尽管计算机视觉和模式识别在许多领域都取得了重要的成果，但仍面临一些挑战。
例如，图像和视频中的噪声和背景干扰会影响计算机的视觉识别能力；图像中的光照和视角变化也会造成困扰。
此外，大规模数据的处理和存储问题也需要解决。
未来，计算机视觉和模式识别将继续向更高的精度、更复杂的任务挑战发展。
机器学习与模式识别的关系和应用
机器学习与模式识别的关系和应用机器学习和模式识别是两个非常重要的领域，它们经常被人们混淆或混为一谈。
实际上，它们虽然有相似的部分，但还是有较为明显的不同。
本文将从它们的基本概念出发，阐述机器学习与模式识别的关系和应用。
一、机器学习的基本概念机器学习是指：利用计算机来模拟人类的学习行为，从数据中获取知识或技能，完成某个任务的过程。
它是人工智能领域中的一种技术，是人工智能的重要组成部分之一。
机器学习的主要任务是通过对训练数据的学习，得到一个可以普遍应用的规律或模型，并用该模型来对新数据进行识别和分类。
在机器学习中，有很多常见的算法，如：决策树、支持向量机、神经网络、朴素贝叶斯等。
二、模式识别的基本概念模式识别是指：根据所获得的已知模式，利用计算机来识别和分类未知模式的一种技术。
它是计算机视觉和计算机图形学等领域的重要技术之一。
模式识别的任务是将所观察或所获取的对象，通过对其进行分析和处理，得到它的某些特征，进而对其进行分类或识别。
在模式识别中，有很多常见的算法，如：K-近邻算法、高斯混合模型、支持向量机等。
三、机器学习与模式识别的关系机器学习和模式识别难免有交叉和重叠的部分，但两者的核心区别在于：机器学习是从数据中获取规律或模型，并用该模型对新数据进行处理；而模式识别是通过对已知数据进行分析和处理，得到某些特征，并对未知数据进行分类或识别。
在机器学习中，有许多算法可以帮助我们从数据中获取模型或规律，该模型或规律可以用来对新数据进行分类或识别，其中一些算法也被应用于模式识别领域。
例如，支持向量机算法就是一个常用的模式识别算法，但是它也可以被应用于机器学习的分类任务中，即将数据分类到两个或多个类别中。
四、机器学习与模式识别的应用机器学习和模式识别有着广泛的应用，例如：1. 图像识别图像识别是模式识别的一种应用，它可以将所观察或所获取的图像，通过对其进行分析和处理，得到某些特征，并对其进行分类或识别。
图像识别技术在许多领域有着重要的应用，如医学影像诊断、安防监控等。
计算机视觉的主要研究内容
计算机视觉的主要研究内容计算机视觉是一门涉及图像处理、模式识别和机器学习等多个领域的交叉学科。
其主要研究内容包括以下几个方面。
1. 图像处理图像处理是计算机视觉的基础，其主要目的是对图像进行处理和分析，提取有用的信息。
图像处理包括图像增强、图像滤波、图像分割、图像配准等技术。
其中，图像分割是最为重要的技术之一，其主要目的是将图像分成不同的区域，以便更好地进行后续处理。
2. 特征提取图像中的像素是不具有语义信息的，因此需要从中提取具有区分性的特征，以便进行图像分类和目标检测等应用。
特征提取算法包括传统的SIFT、SURF等算法以及深度学习中的卷积神经网络（CNN）等算法。
3. 目标检测与识别目标检测是计算机视觉中的重要应用之一，其主要目的是在图像中检测出特定的目标。
目标识别则是在检测出目标后，对其进行识别和分类。
目标检测与识别的算法包括传统的Haar特征分类器、HOG+SVM等算法以及深度学习中的Faster RCNN、YOLO等算法。
4. 三维重建三维重建是将多个二维图像转化为三维模型的过程。
其主要应用于计算机辅助设计、虚拟现实等领域。
三维重建技术包括多视图几何、立体匹配、三维重建等算法。
5. 行为识别行为识别是指对人或物体的行为进行识别和分类。
其主要应用于智能监控、自动驾驶等领域。
行为识别的算法包括传统的基于特征的方法以及深度学习中的时空卷积神经网络（ST-CNN）等算法。
6. 异常检测异常检测是指在图像或视频中检测出异常事件，如交通事故、火灾等。
其主要应用于公共安全领域。
异常检测的算法包括基于传统特征的方法以及深度学习中的循环神经网络（RNN）等算法。
计算机视觉是一门涉及多个领域的交叉学科，其研究内容包括图像处理、特征提取、目标检测与识别、三维重建、行为识别和异常检测等方面。
随着深度学习技术的发展，计算机视觉在各个领域中的应用越来越广泛。
世界视觉研究报告
世界视觉研究报告引言视觉是人类感知外界世界的一种重要方式，也是进行认知和交流的关键。
随着科技的快速发展和人类对视觉研究的不断深入，世界各地的视觉研究也取得了巨大的突破。
本报告将对世界范围内的视觉研究进行综述和分析，探讨当前的研究热点和前沿领域，为相关领域的研究者和决策者提供参考。
1. 视觉研究发展历程视觉研究在过去几十年取得了巨大的进展。
早期的视觉研究主要集中在人类的眼睛和大脑的结构与功能上，如感光细胞的探测和信号传输机制，视觉皮层的神经编码等。
随着计算机的普及和图像处理技术的成熟，研究者开始关注计算机视觉和模式识别等方向。
最近几年，随着深度学习和人工智能的兴起，研究者开始使用神经网络等方法来解决视觉领域的一些复杂问题。
2. 当前研究热点2.1 计算机视觉计算机视觉是近年来视觉研究的一个重要热点领域。
它与图像处理、模式识别、机器学习等学科有着密切的联系。
计算机视觉研究的目标是让计算机具备类似于人类的视觉能力，包括图像识别、物体检测、姿态估计、目标跟踪等任务。
通过深度学习等方法，研究者们已经在计算机视觉领域取得了一系列重要的研究成果。
2.2 神经认知科学神经认知科学是研究大脑如何处理信息和产生认知的交叉学科。
在视觉研究中，神经认知科学的研究结果对模式识别、计算机视觉等领域具有重要的启示作用。
研究者们通过记录和分析大脑神经元的活动，试图揭示大脑在视觉处理中的工作原理，并将这些原理转化为算法和模型。
2.3 虚拟现实与增强现实虚拟现实（VR）和增强现实（AR）是近年来快速发展的新兴技术。
通过使用虚拟现实头盔和手柄等设备，用户可以沉浸到一个完全虚拟的世界中。
增强现实则是在真实世界中叠加虚拟元素，使用户可以与虚拟和真实的物体进行交互。
虚拟现实和增强现实的成功离不开视觉研究的支持，研究者们通过改进图像生成和渲染技术，提高虚拟现实和增强现实的真实感和逼真度。
3. 前沿技术与应用3.1 深度学习在图像识别中的应用深度学习是近年来视觉研究中的一项重大突破。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机视觉与图像处理、模式识别、机器学习学科之间的关系
在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。
纵观一切关系，发现计算机视觉的应用服务于机器学习。
各个环节缺一不可，相辅相成。
计算机视觉（computer vision），用计算机来模拟人的视觉机理获取和处理信息的能力。
就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。
计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。
机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。
一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。
图像处理（image processing），用计算机对图像进行分析，以达到所需结果的技术。
又称影像处理。
基本内容图像处理一般指数字图像处理。
数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。
图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。
常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。
图像处理一般指数字图像处理。
模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。
模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。
模式还可分成抽象的和具体的两种形式。
前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。
我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。
模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。
应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。
这些对象与数字形式的信息相区别，称为模式信息。
模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。
它与人工智能、图像处理的研究有交叉关系。
机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
机器学习在人工智能的研究中具有十分重要的地位。
一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。
随着人工智能的深入发展，这些局限性表现得愈加突出。
正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。
它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。
机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。
这些研究目标相互影响相互促进。
人类研究计算机的目的，是为了提高社会生产力水平，提高生活质量，把人从单调复杂甚至危险的工作中解救出来。
今天的计算机在计算速度上已经远远超过了人，然而在很多方面，特别是在人类智能活动有关的方面例如在视觉功能、听觉功能、嗅觉功能、自然语言理解能力功能等等方面，还不如人。
这种现状无法满足一些高级应用的要求。
例如，我们希望计算机能够及早地发现路上的可疑情况并提醒汽车驾驶员以避免发生事故，我们更希望计算机能帮助我们进行自动驾驶，目前的技术还不足以满足诸如此类高级应用的要求，还需要更多的人工智能研究成果和系统实现的经验。
什么是人工智能呢？人工智能，是由人类设计并在计算机环境下实现的模拟或再现某些人智能行为的技术。
一般认为，人类智能活动可以分为两类：感知行为与思维活动。
模拟感知行为的人工智能研究的一些例子包括语音识别、话者识别等与人类的听觉功能有关的“计算机听觉”，物体三维表现的形状知识、距离、速度感知等与人类视觉有关的“计算机视觉”，等等。
模拟思维活动的人工智能研究的例子包括符号推理、模糊推理、定理证明等与人类思维有关的“计算机思维”，等等。
从图像处理和模式识别发展起来的计算机视觉研究对象之一是如何利用二维投影图像恢复三维景物世界。
计算机视觉使用的理论方法主要是基于几何、概率和运动学计算与三维重构的视觉计算理论，它的基础包括射影几何学、刚体运动力学、概率论与随机过程、图像处理、人工智能等理论。
计算机视觉要达到的基本目的有以下几个：
(1)根据一幅或多幅二维投影图像计算出观察点到目标物体的距离；
(2)根据一幅或多幅二维投影图像计算出目标物体的运动参数；
(3)根据一幅或多幅二维投影图像计算出目标物体的表面物理特性；
(4)根据多幅二维投影图像恢复出更大空间区域的投影图像。
计算机视觉要达到的最终目的是实现利用计算机对于三维景物世界的理解，即实现人的视觉系统的某些功能。
在计算机视觉领域里，医学图像分析、光学文字识别对模式识别的要求需要提到一定高度。
又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。
在计算机视觉的大多数实际应用当中，计算机被预设为解决特定的任务，然而基于机器学习的方法正日渐普及，一旦机器学习的研究进一步发展，未来“泛用型”的电脑视觉应用或许可以成真。
人工智能所研究的一个主要问题是：如何让系统具备“计划”和“决策能力”？从而使之完成特定的技术动作（例如：移动一个机器人通过某种特定环境）。
这一问题便与计算机视觉问题息息相关。
在这里，计算机视觉系统作为一个感知器，为决策提供信息。
另外一些研究方向包括模式识别和机器学习（这也隶属于人工智能领域，但与计算机视觉有着重要联系），也由此，计算机视觉时常被看作人工智能与计算机科学的一个分支。
机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。
为了达到计算机视觉的目的，有两种技术途径可以考虑。
第一种是仿生学方法，即从分析人类视觉的过程入手，利用大自然提供给我们的最好参考系——人类视觉系统，建立起视觉过程的计算模型，然后用计算机系统实现之。
第二种是工程方法，即脱离人类视觉系统框框的约束，利用一切可行和实用的技术手段实现视觉功能。
此方法的一般做法是，将人类视觉系统作为一个黑盒子对待，实现时只关心对于某种输入，视觉系统将给出何种输出。
这两种方法理论上都是可以使用的，但面临的困难是，人类视觉系统对应某种输入的输出到底是
什么，这是无法直接测得的。
而且由于人的智能活动是一个多功能系统综合作用的结果，即使是得到了一个输入输出对，也很难肯定它是仅由当前的输入视觉刺激所产生的响应，而不是一个与历史状态综合作用的结果。
不难理解，计算机视觉的研究具有双重意义。
其一，是为了满足人工智能应用的需要，即用计算机实现人工的视觉系统的需要。
这些成果可以安装在计算机和各种机器上，使计算机和机器人能够具有“看”的能力。
其二，视觉计算模型的研究结果反过来对于我们进一步认识和研究人类视觉系统本身的机理，甚至人脑的机理，也同样具有相当大的参考意义。