图像处理常用算法全解析

我们先从一个有趣的现象开始：“不可能图形”——例如那个三个角都是直角的三角形——并非图形本身存在错误，而是你大脑的解读方式出了问题。更准确地说，是你强大的三维感知系统在强行将二维平面解读为三维立体模型时，自行添加了“虚构”的深度信息。

这个过程非常有趣。你的视觉系统会不自觉地给图形中的每个点分配一个“深度值”，并遵循某些默认规则：二维直线被理解为三维直线，二维平面被视为三维平面。在透视图像中，锐角和钝角常常被“脑补”为90度角，而外部的线段则被当作物体的轮廓边界。这条边界在构建整个心理图像时扮演着关键角色。简而言之，在没有相反信息干扰时，你的视觉系统总是默认自己正从一个主要的、正常的视角进行观察。

具体到那个“不可能的三杆铅笔”——每个顶角都产生透视，三个90度角相互独立，每条边的距离变化各不相同。当大脑尝试将这三种透视信息整合成一个完整的立体模型时，冲突便出现，从而“诞生”了一个在物理世界中不可能存在的图形。

相对性：环境对比带来的影响

这个现象背后，实际上触及了计算机视觉最核心的命题：如何让机器理解图像中的三维世界。回顾这个领域的发展历程，脉络其实非常清晰。

20世纪50年代，计算机视觉仍处于“看图识字”的初级阶段，主要专注于二维图像的分析与识别，包括光学字符识别、工件表面检测、显微图片解读和航空照片判读等任务。当时这些工作通常被归类为模式识别。

进入60年代，MIT的Roberts完成了一项开创性工作。他编写了一个计算机程序，能够从数字图像中提取立方体、楔形体、棱柱体等多面体的三维结构，并描述它们的形状与空间关系。这直接开启了一个新的研究方向：以理解三维场景为目标的计算机视觉。当时许多研究者乐观地认为，解决了积木世界的问题，推广到现实世界只是时间问题。

70年代，一些初级的视觉应用系统开始出现。70年代中期，MIT人工智能实验室正式开设了“计算机视觉”课程，由B.K.P. Horn教授讲授。也是在这个时期，Da vid Marr教授受邀来到MIT，领导一个以博士生为主的研究小组。到了1977年，他提出了一个完全不同于以往“积木世界”分析方法的计算视觉理论，即后来影响深远的Marr视觉理论。

80年代是Marr理论的黄金时代，它不仅成为计算机视觉研究领域最重要的理论框架之一，还催生了ICCV（国际计算机视觉大会）以及以他名字命名的Marr奖。整个领域迎来了蓬勃发展，各种新概念、新方法、新理论层出不穷，例如基于感知特征群的物体识别、主动视觉、视觉集成框架等。

Marr模型

80年代初，Marr教授首次从信息处理的角度，综合了图像处理、心理物理学、神经生理学和临床神经病理学的研究成果，提出了人类视觉系统第一个完整的计算框架。该框架将视觉信息处理划分为三个层次：基元图、2.5维图和三维模型。每一层都负责将特定类型的信息进行“显式化”表达。

打个比方，基元图主要负责提取图像中关于亮度变化的信息，例如角点位置、边缘走向、纹理特征等。这些是最基本的视觉特征。2.5维图则更进一步，它处理场景中可见部分的表面朝向信息，比如这个面是正对着观察者还是侧着的，它的深度和法线方向是怎样的，轮廓线在哪里。之所以称为“2.5维”，是因为它提供的是不完整的、局部的三维信息，还缺少物体背面的信息。三维模型则是最高层级，需要完整描述物体的三维形状及其在空间中的位置关系。

Marr模型的最大贡献在于，它首次系统地阐述了“用二维图像恢复三维物体”的可能性，并提出了一套通用方法论。当然，它也存在局限性，最主要的是没有考虑视觉系统本身的反馈机制，以及不同处理层级之间在计算力度上的差异。

计算机视觉与相关学科的关系

要真正理解计算机视觉，把它放在相关学科的版图里看一看会清晰很多。

• 图像处理： 图像处理的逻辑很简单：输入图像，输出图像。例如去噪、增强、压缩等操作，它不关心图像中包含什么物体，仅对像素本身进行变换，将信息恢复的任务留给人类判断。

• 计算机图形学： 这个方向正好相反。它从几何基元（点、线、面）出发，通过渲染生成我们看到的图像，是一个“从无到有”的图像综合过程。在可视化、虚拟现实等领域作用巨大。因此，计算机视觉是“从图像推测几何”，而图形学是“从几何生成图像”。

• 模式识别： 其核心是分类。给定一个输入，判断它属于哪一类。例如，给一张人脸图像，判断是张三还是李四。模式识别强调类与类之间的区分性特征，通常不涉及三维世界的恢复。

• 人工智能： 在完成图像处理和特征提取后，通常需要借助人工智能方法，对场景特征进行抽象的符号表示、分析和理解。这是机器能够真正“看懂”图像的关键一步。

• 媒体计算： 这是一个更大的范畴，涉及文字、图形、图像、动画、视频、音频等多类感觉媒体的基础计算理论和实现技术，目标是让计算机能听、能看、能说、会学习。

• 认知科学与神经科学： 这两个领域直接以人类视觉系统为研究对象。有趣的是，计算机视觉中的许多方法与人类视觉的处理机制有着惊人的相似性。不少研究者对研究人类视觉的计算模型，比单纯做机器视觉更感兴趣，他们希望让计算机视觉更“自然”，更接近生物视觉的工作方式。

图信号处理层次

从技术实现的角度，我们可以把视觉信息的处理分为三个层次：

• 图像处理： 这是底层，负责图像采集、存储、重建、变换、增强、恢复、校正以及压缩编码。目的是将原始数据准备好。
• 图像分析： 这是中层，负责从图像中提取有意义的结构信息。例如边缘检测、图像分割、目标的表达与描述，分析目标的颜色、形状、纹理、空间位置和运动轨迹，最终完成目标的检测与识别。
• 图像理解： 这是高层，追求对场景的语义理解。包括图像配准与融合、建立3D表示与模型、恢复场景结构，最终实现图像的感知、解释和推理。基于内容的图像和视频检索是这一层的典型应用。

计算机视觉技术的应用

聊了半天理论，最终还是要落地。计算机视觉的触角早已深入到各个角落：

• 工业领域： 生产线上自动检测装配、质量检验，早已成为标配。
• 机器人： 从工厂的机械臂到星球探测车，视觉是它们感知世界的核心感官。
• 遥感图像分析： 例如利用卫星图像进行植被覆盖度分析、农作物长势监测等。
• 医学图像分析： 从CT、MRI影像中自动分割器官、定位骨骼、辅助诊断。
• 安全鉴别、监视与跟踪： 门禁系统的人脸识别、公共场所的安防监控和人员追踪。
• 国防系统： 对飞行目标的自动识别与锁定跟踪。
• 图像与视频检索： 你拍摄一张衣服照片，系统能帮你搜索出同款，这就是基于内容的检索。
• 文物保护： 数字博物馆中，利用高精度三维扫描和图像处理技术，让文物“永生”。
• 其他领域： 游戏、动画中的动作捕捉、体育赛事中的战术分析、人机交互中的手势识别……数不胜数。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：图像处理常用算法全解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题