# 電腦視覺

## 目錄
### 什麼是電腦視覺？

- **電腦視覺的定義**
- **電腦視覺的重要性**
- **電腦視覺的應用領域**
- **未來的可能性**
### 電腦視覺的原理
- **圖像表示**
- **特徵提取**
### 機器學習 vs 深度學習
- **傳統機器學習**
- **深度學習**
- **特徵檢測**
- **解讀特徵**

## 什麼是電腦視覺？
電腦視覺是一門研究如何使計算機系統能夠模仿和理解人類視覺的過程的學科。簡而言之，它使計算機能夠「看見」世界，從圖像和視頻中提取信息，並做出智能決策。這包括圖像分析、圖像處理、模式識別和機器學習等技術。

電腦視覺的目標是讓計算機能夠像人類一樣感知和理解視覺信息。它涵蓋了從基本的圖像處理技術，如邊緣檢測和圖像增強，到高級的應用，如物體檢測、臉部識別和三維重建。
### 電腦視覺的定義

- **圖像分析**：電腦視覺的核心是圖像分析，它包括從圖像中提取有關對象、場景和特徵的信息。這可以是靜態圖像或動態視頻。

- **圖像處理**：圖像處理是一個關鍵部分，它涉及到調整圖像的亮度、對比度、去噪等操作，以改善圖像的質量。

- **模式識別**：這個領域專注於識別圖像中的特定模式或對象，例如人臉、手寫文字、交通標誌等。

- **機器學習**：機器學習技術被廣泛應用於電腦視覺，用於訓練計算機系統識別和分類圖像。
### 電腦視覺的重要性

電腦視覺是一個跨學科領域，結合了計算機科學、人工智慧和影像處理技術，用於模仿和理解人類視覺的過程。它具有以下重要性：

- **自動化與智能化**：電腦視覺允許計算機系統自動化任務，從圖像和視頻中提取信息，進行決策，並執行操作。這使系統更智能，提高效率，並節省時間和成本。

- **新型態的應用**：電腦視覺推動了許多新興應用，如無人駕駛汽車、機器人、虛擬現實和擴增現實。無人駕駛汽車利用感測器和電腦視覺技術來辨識路標、車輛和行人，實現自主導航。這種技術的發展正在改變交通運輸和運輸業。

- **精確的數據分析**：電腦視覺允許從圖像和視頻中提取精確的數據，這在醫療、安全、環境監測等領域非常重要。例如，醫學影像分析利用電腦視覺技術來檢測腫瘤、分析X射線圖像，並協助醫生進行診斷。

### 電腦視覺的應用領域

電腦視覺廣泛應用於多個領域，包括但不限於：

1. **醫療保健**：用於醫學影像分析，如MRI和CT掃描的解讀，疾病檢測，手術機器人的控制，以及病人的監測和管理。

2. **無人駕駛和交通**：用於自動駕駛汽車，交通監控系統，交通流量管理和智能交通信號，這些技術有助於提高道路安全和交通效率。

3. **安全和監控**：包括臉部識別用於解鎖設備或入侵檢測，行為分析用於識別可疑行為，以及犯罪預防。

4. **工業自動化**：用於生產線上的檢測和質量控制，機器視覺技術可以檢測產品的瑕疵並自動拒絕次品，從而提高生產效率。

5. **電子商務**：商品識別，虛擬試衣間，以及人臉識別用於支付驗證。這些應用提高了購物體驗和支付安全。

6. **娛樂和媒體**：包括虛擬現實和擴增現實應用，圖像處理和特效，這些應用提供了沉浸式的娛樂體驗。

7. **環境監測**：用於監測大氣和水質，自然災害預警，以及生態學研究，幫助我們保護環境。

8. **農業**：應用於農作物監測，農產品分類和農業機器人，從而提高農業生產的效率和可持續性。

### 未來的可能性

電腦視覺的應用領域多種多樣，不斷擴展，並為解決現實世界的問題提供了強大的工具。這個領域持續發展，對未來的技術和創新有著巨大潛力。
- **自主機器**：電腦視覺將使機器能夠自主操作，無需人類干預。這將推動自動駕駛汽車、無人機和機器人的發展。

- **個性化體驗**：通過分析個人的偏好和行為，電腦視覺可以提供更加個性化的產品和服務，從而改善我們的日常生活。

- **更智能的城市**：電腦視覺有助於城市規劃和智能城市的發展，從而提高生活質量、節約能源和減少污染。

- **醫療突破**：電腦視覺將改變醫療保健，從早期診斷到手術機器人的使用，提供更有效的治療方法。

- **環境保護**：電腦視覺有助於監測和預測自然災害，從而提前採取措斷減少損失。

## 電腦視覺的基本原理

電腦視覺是一門令人著迷的領域，它使計算機系統能夠模仿人類視覺，理解和處理視覺數據。這項技術的背後是一系列複雜的原理和技術，使計算機能夠「看見」世界，識別物體，並從圖像中提取有用的信息。本文將深入探討電腦視覺的基本原理。

### 圖像表示

電腦視覺的基礎是圖像表示。圖像通常由數百萬個像素（畫素）組成，每個像素代表圖像的一個小部分。對於彩色圖像，每個像素通常由紅、綠、藍三個色道的數值組成。這些像素的排列和數值形成了圖像的視覺信息。

### 特徵提取

特徵提取是電腦視覺的重要步驟。它涉及從圖像中提取有用的信息，如邊緣、紋理、顏色或其他視覺模式。這些特徵將用於後續的分析和識別。傳統的方法包括使用過濾器和數學運算，而現代方法則使用深度學習模型自動學習特徵。

### 特徵檢測

一旦特徵提取完成，接下來是特徵檢測。這個步驟涉及識別圖像中的關鍵特徵，如邊緣、角點或紋理區域。這些關鍵特徵幫助計算機識別物體或圖像中的有趣區域。

### 解讀特徵
在拿到了這些特徵之後，我們可以將他們進行後續的應用例如：
1. **物體識別：** 特徵可用於識別圖像中的物體或物體的類別。通過比對提取的特徵和已知物體的特徵，計算機可以確定物體的身份。

2. **物體檢測：** 在物體檢測任務中，特徵幫助計算機識別圖像中的特定物體，並標定它們的位置。這在自動駕駛、監控和安全系統中非常重要。

3. **圖像分割：** 特徵可用於將圖像分割為不同區域或對象。這有助於識別圖像中的不同區域，如醫學影像中的器官或道路圖中的建筑。

4. **圖像檢索：** 特徵還用於圖像檢索，允許用戶通過查找相似特徵的圖像來檢索圖像數據庫中的圖像。

## 傳統機器學習vs深度學習

在電腦視覺中，傳統機器學習方法和深度學習方法都有其獨特的優勢和限制。讓我們簡要比較一下這兩種方法：

### 傳統機器學習

傳統機器學習方法通常涉及手工設計特徵提取器，這些特徵提取器是基於領域專家的知識設計的。這些方法的優勢在於可解釋性，因為特徵提取過程是可解釋的，並且可以根據領域知識進行調整。

然而，這種方法的限制在於特徵設計的困難性，需要專業知識和時間。此外，對於不同任務，需要不斷調整和優化特徵提取器，這需要大量的人力和時間。

### 深度學習

深度學習方法，尤其是卷積神經網絡（CNN），已經在電腦視覺中取得了巨大的成功。它們能夠自動學習圖像中的特徵，無需手動設計特徵提取器。這使得深度學習方法具有更強的泛化能力，能夠應對不同的任務。

然而，深度學習方法通常需要大量的數據來訓練，以及強大的計算資源。此外，深度學習模型的解釋性相對較低，有時被認為是一個黑盒子，難以理解其內部運作。

總之，傳統機器學習方法在可解釋性方面表現出色，但需要手動特徵設計；而深度學習方法無需手動特徵設計，但可能需要更多的數據和計算資源。在實際應用中，選擇哪種方法通常取決於任務的性質和可用的資源。

### 後記(一年半前的我寫的)
- AI 、ML、DL


- AI
- [人工智慧](https://azure.microsoft.com/zh-tw/overview/ai-platform/)
是電腦系統模仿人類認知功能的能力，例如學習與解決問題。透過 AI，電腦系統使用數學和邏輯來模擬人們用來學習新資訊及做出決策的理由。
- 強AI、弱AI
- 學習類AI、非學習類AI

- ML

機器學習是將過去收集到的資料進行分類或預測進行模型訓練。

模型訓練好之後，將新的資料輸入進去後，透過這個模型可以分類或預測結果

- DL

模仿大腦的神經元的運作

- ML
- 監督式學習(Supervised Learning)

labeled data

- 線性回歸
- 邏輯回歸
- 決策樹
- 隨機森林
- (k)最近鄰居
- 單純貝氏分類器
- 支持向量機

- 強化式學習(Reinforcement Learning)

透過機器與環境的互動，透過環境中的反饋來訓練模型

- 非監督式學習(Unsupervised Learning)

unlabeled data


- DL
- 為**深層神經網路(DNN, Deep Neural Network)**
- **卷積神經網路**（Convolutional Neural Network, **CNN**）
- **生成對抗網路**（**G**enerative **A**dversarial **N**etwork,GAN）
- **循環神經網路**（Recurrent neural network, **RNN**）
- Data
- n個特徵n個維度


- 圖片


- 聲音


- 文字