机器视觉(Robot Vision)——1

参考书籍   《Robot Vision》  MIT机器视觉课程指定教材

机器视觉探究两个基本问题：

• 成像过程的基本原理是什么？
• 如何探索对成像过程“求逆”的基本知识和方法。
  所谓“求逆”：具体来说，就是从一张图片、多张图片或者图像序列中恢复出关于场景或者观测者的信息。

基本研究方法：建立物理模型 ==> 导出数学公式 ==> 实现相应算法。

• 早期视觉：如何从图像中得到简单的符号描述。
• 后期视觉：如何使用这些简单的符号描述来生成一个复杂的结构化描述。

第一章 简介

1.1 什么是机器视觉

• 一个与周围环境进行交互的大的实体的一部分。
• 工业应用中 视觉环境可控且所面临的任务是清晰明确的。
• 致力于构建一个在可控环境中处理特殊任务的系统，或者一些模块。

1.2 机器视觉的主要任务是什么

• 分析采集到的图像；针对某一明确任务，生成一个关于被成像物体(或者场景)的有效符号描述。这个描述将被用于指导机器人系统与周围环境进行交互。（有效符号描述是指：完成任务所需的全部信息。）
  例如，机器视觉系统指导机器臂抓取传送带上的零件。视觉系统所要给出的描述包括：零件的位置、朝向以及种类。我们可能只需要几个数字，就能将这个描述表示清楚。
• 从某种意义上讲，视觉系统所要实现的任务可以被看作是成像的逆过程。

1.3 机器视觉与其他相关领域之间的关系

共同的特点：它们都使用图像处理技巧

• 图像处理
  从已有的图像产生一张新的图像。输入是图像，输出是新图像。
  处理技术来自于线性系统理论。

• 模式分类
  对模式进行分类。输入是特征向量，输出是分类结果。
  所谓模式是指特征向量，即一组用来表示物体属性的给定数据。

• 场景分析
  将从图像中获取的简单描述转化为一个更加复杂的描述。输入是描述，输出是另一种描述。
  所谓描述是指为实现任务所需的一系列数据。
  对于某些特定任务，复杂描述更有用。

1.4 一种关于机器视觉的独特观点

• 机器视觉应该建立在对成像过程的深刻理解的基础之上！即基于成像分析的方法，有别于基于神经网络的研究方法。
  这种观点可以使我们推导出用于进行图像分析的数学模型，而那些 “从图像中恢复出被成像场景的描述” 的算法，正是基于这些数学模型来实现的。

• 机器视觉的核心问题
  从一张或者多张图像中生成一个符号描述！

• 从图像中生成符号描述的过程，分为两个阶段：
  第一个阶段被称为图像分析，生成一个素描图（例如，二值图）。即一个详尽的、而且未加工处理的描述。
  第二个阶段被称为场景分析，生成一个简化的、有结构的描述，用来进行决策。
  主要区别：图像分析从图像开始，而场景分析从素描图开始。（图像分析又称早期视觉）

• 估计被成像物体表面的性质是机器视觉的一个重要方面。

• 物体表面的视亮度依赖于三个方面：
  物体表面的微结构；
  入射光的分布；
  物体表面相对于观测者和光源的朝向。

• 为了从图像中恢复出场景信息，我们需要理解：
  物体表面的形状；
  物体表面的反射性质；
  光源的分布；
  这三个因素是如何共同决定图像的亮度模式的。