人的眼睛有600萬到700萬個錐體細胞，其中包含三種被稱為視蛋白的對顔色敏感的蛋白質之一。當光子擊中這些視蛋白時，它們會改變形狀，引發級聯反應，産生電信号，進而将資訊傳遞給大腦進行解讀。
整個過程是一個非常複雜的現象，并且使機器在人類層面上解釋這一點一直是一個挑戰。現代機器視覺系統背後的的核心動機在于模拟人類視覺，用于識别圖案，面部以及将将2D圖像轉化為3D模型等。
在概念層面，圖像處理和計算機視覺之間存在很多重疊，并且經常被誤解的術語可以互換使用。在這裡，我們簡要概述了這些技術，并解釋了它們在基礎層面上的不同之處。
圖像處理
數字圖像處理技術于20世紀60年代末在美國國家航空航天局噴氣推進實驗室(Jet Propulsion Laboratory)首創，通過計算機增強，将Ranger航天器的模拟信号轉換為數字圖像。現在，數字成像有着廣泛的應用，尤其是在醫學上。衆所周知的應用包括計算機輔助斷層掃描(CAT)和超音波。
圖像處理主要與數學函數和圖像變換的使用和應用有關，而不考慮對圖像本身進行任何智能推理。它僅僅意味着算法對圖像進行一些轉換，如平滑、銳化、對比度、拉伸。
對于計算機來說，圖像是一個二維信号，由像素的行和列組成。一種形式的輸入有時可以轉換成另一種形式。例如，磁共振成像(MRI)，記錄下離子的激發并将其轉換成視覺圖像。
這裡有一個用Python平滑圖像的例子:
對于一維信号，圖像還可以使用各種低通濾波器(LPF)、高通濾波器(HPF)等進行濾波。HPF濾波器有助于在圖像中找到邊緣。
這種使用矩陣的變換在卷積神經網絡等機器學習算法中非常普遍。在圖像(像素值的另一個矩陣)上卷積濾波器，用于檢測邊緣或顔色強度。
在數字圖像進行中使用的一些技術包括:
隐馬爾可夫模型
圖像編輯與恢複
線性濾波和雙邊濾波
神經網絡
計算機視覺
計算機視覺來自使用機器學習技術模組化圖像處理。計算機視覺應用機器學習來識别用于解釋圖像的模式。就像人類視覺的視覺推理過程一樣;我們可以區分對象，對它們進行分類，根據它們的大小對它們進行排序等等。計算機視覺，如圖像處理，将圖像作為輸入，并以大小，顔色強度等資訊的形式提供輸出。
特斯拉的無人駕駛系統通過Source檢測有霧情景中的物體
以下是标準機器視覺系統的元件：
相機
照明裝置
鏡頭
抓幀器
圖像處理軟體
用于模式識别的機器學習算法
顯示屏或機械臂執行從圖像解釋中獲得的指令。
例如，安裝在無人駕駛汽車上的錄影機必須檢測到前面的人，并将他們與車輛和其他特征區分開來。或者，我們可以測量網球運動員在比賽中所走的距離。
球員運動的熱圖
是以，時間資訊在計算機視覺中起着重要作用，就像我們自己了解世界的方式一樣。
這裡的最終目标是使用計算機來模拟人類視覺，包括學習和能夠根據視覺輸入進行推理和采取行動。
結論
圖像處理是計算機視覺的一個子集。計算機視覺系統利用圖像處理算法對人體視覺進行仿真。例如，如果目标是增強圖像以便以後使用，那麼這可以稱為圖像處理。如果目标是識别物體、汽車自動駕駛，那麼它可以被稱為計算機視覺。