计算机视觉（Computer Vision）研究如何让计算机可以像人类一样去理解图片、视频等多媒体资源内容。例如用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等，并进一步处理成更适合 人眼观察或进行仪器检测的图像。近些年在海量的图像数据集、机器学习(深度学习)方法以及性能 日益提升的计算机支持下，计算机视觉领域的技术与应用均得到迅速发展。
计算机视觉与其他学科的相互关系
1、传统的图片处理依据数字图像的基本特性进行处理，例如常见美图软件中的祛斑效果就属于图像处理中的图像增强部分。伴随着图像处理技术的不断提升，对于图像的简单处理已经不能满足人 们的使用需求，模式识别便成为新的发展方向。
2、模式识别方法着眼于图像间的不同，使得计算机可以像人类一样很方便地分辨出两幅图片的差异。例如指纹识别就是模式识别中的一个经典应用。可以说模式识别已经踏入了人工智能的领域。
3、人工智能方法利用的是最新的卷积神经网络技术，自动生成足以区分不同图片的强大特征。迈 入人工智能领域，可以说计算机视觉已经可以像人类一样去看，去理解。
尽管神经网络不断刷新着计算机视觉的表现成果，但 对于人类来说依然是一个黑匣子，究竟是什么 造就了神经网络的强大能力，尚需学术界、工业界进一步的探索与研究。
计算机视觉的传统挑战是图片分类，即让计算机拥有可以识别图像中物体的能力。对于图片分类问题，计算机就像一个学生，需要人类为它提供图片和图片对应的标签来告诉计算机图片上究竟有什么。计算机虽然有强大的计算能力，但是却缺乏人类一样的智慧，需要给予大量有标注的图片。对 于已有的数据集，目前传统的算法已经足够优秀。MNIST 手写数字数据集的错误率已经达到 0.3%。
本文采编：CY320
