2.2　計算機視覺的發展

計算機視覺領域的突出特點是多樣性與不完善性。圖2-1列出了計算機視覺與其他領域的關聯。

圖2-1　計算機視覺與其他領域的關聯

20世紀70年代后期，人們已開始掌握部分解決具體計算機視覺任務的方法，可惜這些方法通常都僅適用于一群“狹隘”的目標（如臉孔、指紋、文字等），因而無法廣泛地應用于不同場合。

對這些方法的應用通常作為某些解決復雜問題的大規模系統的一個組成部分（如醫學圖像的處理，工業制造中的質量控制與測量）。在計算機視覺的大多數實際應用當中，計算機被預設為用于解決特定的任務，然而基于機器學習的方法正日漸普及，一旦機器學習的研究進一步發展，未來“泛用型”的計算機視覺應用或許可以成真。

人工智能研究的一個主要問題是如何讓系統具備“計劃”和“決策能力”，從而使之完成特定的技術動作（如移動一個機器人通過某種特定環境）。這一問題便與計算機視覺問題息息相關。在這里，計算機視覺系統作為一個感知器，為決策提供信息。另外一些研究方向包括模式識別和機器學習（這也隸屬于人工智能領域，但與計算機視覺有著重要的聯系），也由此，計算機視覺時常被看作人工智能與計算機科學的一個分支。

物理學是與計算機視覺有著重要聯系的另一領域。

計算機視覺關注的目標在于充分理解電磁波（主要是可見光與紅外線部分）遇到物體表面被反射所形成的圖像，而這一過程便是基于光學物理和固態物理的，一些尖端的圖像感知系統甚至會應用量子力學理論來解析影像表示的真實世界。同時，物理學中的很多測量難題也可以通過計算機視覺得到解決。也由此，計算機視覺同樣可以被看作物理學的拓展。

另一個具有重要意義的領域是神經生物學，特別是其中的生物視覺系統部分。

20世紀中期，人類對各種動物的眼睛、神經元，以及與視覺刺激相關的腦部組織都進行了廣泛的研究，這些研究得出了一些有關“天然的”視覺系統如何運作的描述，這也形成了計算機視覺中的一個子領域——人工系統，使之在不同的復雜程度下模擬生物的視覺運作。同時，在計算機視覺領域中，一些基于機器學習的方法也參考了部分生物機制。

計算機視覺的另一個相關領域是信號處理。很多有關單元變量信號的處理方法，特別是對時變信號的處理，都可以很自然地被擴展為計算機視覺中對二元變量信號或多元變量信號的處理方法。這類處理方法的一個主要特征便是它們的非線性及圖像信息的多維性，在信號處理學中形成了一個特殊的研究方向。

除了上面提到的領域，很多研究課題同樣可被看作純粹的數學問題。例如，計算機視覺中的很多問題，其理論基礎便是統計學、最優化理論及幾何學。