计算机视觉的常见任务

既然我们明白了计算机视觉的目标，现在来看看计算机视觉系统旨在应对的一些具体问题或“任务”。可以把这些看作我们向计算机询问图像或视频的常见问题。在本入门课程中，我们仅说明几个基本任务。后面的章节会介绍处理其中一些任务所用的方法。

图像分类

假设你有一张图片，希望计算机能识别出图中唯一的、最显著的主体是什么。是猫？是狗？是汽车？还是房子？这个任务叫做图像分类。

目标很直接：为整张图片分配一个标签（一个类别名称）。系统会查看整张图片，然后确定它属于哪个预设类别。

比如，给定一张输入图片，一个分类系统可能会输出“猫”的标签。它不会说明猫在图片中的具体位置，只是说图片中有一只猫。这通常是人们在计算机视觉中学习的首批任务之一，因为它有助于对机器如何处理视觉资料形成初步认识。

图像分类系统接收一张图片，并为整张图片输出一个单一的类别标签。

物体检测

如果你不仅想知道图片中有一辆车，还想知道它在哪里呢？如果图片中有多个你关注的物体怎么办？这时，物体检测就派上用场了。

物体检测比分类更进一步。它的目标是识别图片中特定类别的物体实例，并确定它们的位置。通常，位置通过在每个被识别物体周围绘制矩形边界框来表示。

因此，对于一张繁忙街道的图片，物体检测系统可能会识别出多辆汽车、行人和交通灯，并为每个识别到的物体画一个框并进行相应标记 (token)（例如，“汽车”、“行人”、“交通灯”）。这比分类提供了更详细的图片内容信息。

物体检测系统在图片中识别出多个物体，并标示它们的位置，通常使用边界框和标签。

图像分割

有时，边界框不够精确。如果你需要知道物体的确切形状，细化到单个像素级别怎么办？例如，在医学影像中，你可能需要描绘肿瘤的准确轮廓。这个任务叫做图像分割。

图像分割是将图片分成多个部分或区域。它的目标通常是为图片中的每个像素分配一个类别标签。属于同一物体类别的像素会获得相同的标签。

设想给一张照片上色：所有属于汽车的像素可能被涂成红色，所有属于道路的像素被涂成蓝色，所有属于树木的像素被涂成绿色。这样就得到了一张图片细节图，其中每个像素的类别都已明确。它比分类或物体检测提供了更细致的图片内容识别。

图像分割为图片中的每个像素分配一个类别标签，从而精确描绘出不同物体或区域的形状。

其他任务

分类、检测和分割是基本任务，但计算机视觉涉及的远不止这些。其他常见任务有：

• 姿态估计： 识别特定物体部位（如人体的四肢和关节）的位置和姿态。
• 光学字符识别 (OCR)： 从图片中识别文字。
• 场景理解： 对物体间的关联以及场景的背景建立更全面的语义识别。
• 图像生成： 创建新图片，有时依据文字描述。

这些只是简要的说明，以便你了解计算机视觉的常见目标。随着学习的进行，你将进一步学习这些任务的应对方法和所用技术。目前，主要目的是明白计算机视觉旨在从视觉数据中获取特定类型的信息，而这些任务代表了我们可能寻求的不同细节层次和识别类型。接下来的部分，我们将开始准备所需工具，以便实际操作这些想法。