❶ 機器視覺急求
機器視覺的圖像格式就是指可以用來做圖像處理的格式，一般的8bit圖像有BMP,PNG等，16bit的有tiff，tif等等，不過這些圖片在被用來做圖像處理的時候通常都是被轉成了處理庫自己的格式，例如openCV自己的圖像就是IPLImage，NI的視覺模塊轉換成IMAQ類型的
圖像的拉伸多出現在線陣相機拍攝中，由於物體運動慢，導致重復拍攝，拍攝出來的圖像的就被拉伸了，相反由於物體運動快的話，就會有些拍攝不到，導致壓縮，至於用來做什麼這個就不清楚了，一般情況下需要避免拉伸和壓縮，否則標定是比較麻煩的。
❷ 學習機器視覺需要掌握哪些知識
機器視覺首先數學基礎得打好，包括微積分，線性代數，優化理論等等，其次常用得深度學習圖像處理框架得會，包括目標提取，目標檢測等知識
❸ 如何學習機器視覺
這個感覺是從論壇上大家所問的問題得出來的。因為。在論壇中看到不少朋友所問的問題，是相當可笑的。說可笑並非指所提問題過於簡單幼稚，而是所問的問題一看就是從書本上抄來的，而不是在實際情況下所遇到的。換句話說，論壇中的朋友大多隻是在紙上談兵，極少有人真正自已動手開發視覺系統。這樣說是因為自己搞開發的人絕對問不出某些奇怪問題來的。往深了說一點，好象國內的朋友們只喜歡啃書本，並不願意(也可能是懶得)動手。 一句話，國外機器視覺發展到今天，已經可以清清楚楚分為三個部分： 1，底層開發部分。 2，二次開發部分。 3，最終使用部分。於是在國外，從事這一行業的人現在也就可以簡單而清楚地分成三種人： 1，底層開發的人(從事底層開發工作的人)。 2，二次開發的人(從事二次開工作的人)。 3，使用及操作機器視覺系統的人(從事最終使用工作的人)。 第一類人。就是我們常說的，開發通用視覺系統(如：DVT，西門子，歐姆龍，EVISION，COGNEX等等)的開發人員，也就是DVT，COGNEX這些公司開發部的技術職工。 第二類。就是大家所說的OEM用戶。是專門用第一類人所開發出的系統，給第三類人搞二次開發，開發各種專為第三類人所用的系統。 第三類人，就是用戶(end user)。這類人是真正將機器視覺系統應用到各個領域中的人，他們不僅在各自的行業中使用種種已經開發成型的機器視覺系統。而且負責對各類系統進行測試及評估。 舉個實際例子，這里有不少朋友問過這類問題：如何檢測某一工件；檢測光碟表面的系統該如何配置CCD相機、鏡頭及燈源等。問這些問題的朋友應該算是第三類人。他們公司要他們尋找一個系統可以用來檢測本公司的產品。但由於第一類人所開發的，只是通用的系統以及視覺系統開發工具的軟體包。並沒有哪家公司專門開發一套系統來檢測光碟或是某種特定的工件。所以，這些朋友就應該來找我，因為我是第二類人。 我的工作就是，專門用DVT，EVISION，COGNEX等的視覺卡，以及視覺系統開發工具軟體包為他們專門開發一套他們所需要的光碟檢測系統或是工件檢測系統。 繞了老大一圈，其實要說的問題就是一個----我所發現的問題：這里80%以上朋友把自己的身分混淆了，越俎代庖。 不客氣的說，目前國內搞這行的朋友似乎都有些好高騖遠。不少從事第二部分工作朋友(搞二次開發的第二類人)對於機器視覺有關知識的了解，尚不如國外第三類人的知識水平(我是從大家所問的問題感覺到的)。而國內第三類朋友知識水平就更可想而知。 可是奇怪的是，每個人所問的卻都是第二類人要問的，有些甚至是一類人才會問的問題。好象，機器視覺是個十分簡單的技術，憑大家隨便問幾個「關鍵性」的問題，再由所謂的「專家」三言兩語的回答一下。大家就一夜之間都可以自己搞底層開發，成第一類人了。 要成為第一類人，又分硬體及軟體兩種。要對自己所負責的這個模塊非常了解，搞軟體要知道演算法及運行速度；搞硬體要明白公司所選用晶元的特點等等。同時還要清楚對手公司的優缺點以及機器視覺這一行的種種動態和最新技術。 總結一下。這三種人相比，第一類人一定要專業，對機器視覺的某一領域非常非常了解；第二類人雖比不上第一類人那麼專業，但更加全面；第三類人更熟悉各個應用系統開發公司(第二類人)的優缺點。 現在大家可以看得出，機器視覺發展到今天，其分工已經越來越細，每個部分的工作其實是很難相互取代的。大家不要以為第三類人就比第一類人低一等，這是一個錯誤的等級概念。我本人過去曾屬於第一類人，現在作的是第二類工作。而我的幾個「師弟師妹」(當初曾一起作第一類人時的同事)現在就在干第三類工作。大家別小看第三類工作，以為這是小兒科，你能真作好這一行也不是很容易。畢竟這也是一門行當也是一個飯碗！另外，以我個人來看：以國內現在機器視覺的水平，對於那些想作第一類人的朋友我在這里勸一句：還是算了吧。 國內的機器視覺水平打根子上就差，您還打算搞底層？演算法本身都是抄人家的，就只能和對手拼程序的寫法了。不過我覺得那更沒戲。 這樣說我絕沒有看不起初學者的意思。我說過：所問的問題再簡單，我都不會笑話你。對於每樣事物我們都是從無知開始的。但是，對於那些極不實際的好高騖遠的問題，我還是要說，希望大家踏實下來，戒浮躁，從最基本地學起----先確定自己的身份。
❹ 機器視覺好學嗎
機器視覺是用視覺系統代替人眼對物體進行檢測和判斷，機器視覺系統應用在工業自動化系統中已經有一段時間。當前機器視覺常常是結合工業自動化系統作為自動化設備的「眼睛」，輔助生產製造以提高生產質量和產量。
下面，我們先來了解一下機器視覺：
機器視覺分類
經過多年的發展，機器視覺開發可大致分為三大部分
一、底層開發部分
二、二次開發部分
三、最終使用部分
由於三大部分所開發層次不一樣，所以對應的三類人才需求差異都是比較大的。
如何成為這三類人才
1、底層開發人才
對於第一類所需求的是機器視覺底層開發的人才，這類人才普遍要求會高一些，因為需要做的工作是開發通用視覺系統的開發人員，也就是像COGNEX這些公司開發部的技術職工，這類企業對人才的學歷，出身要求都會比較嚴。這一類人才需要清晰的了解自己公司與別的公司的優劣勢以及行業的動向，一些比較大的公司有時是會分成硬體和軟體兩個方向的開發人員，硬體人員要明白公司所選擇的晶元的特點，軟體方面需要了解演算法以及運行速度。
2、二次開發人才
二次開發人才，通常都是在一類人才底層的框架基礎上，為終端用戶去開發應用系統。他們的能力水平要求還是比較高的，基本都要求在本科及以上學歷相關專業。機器視覺的二次開發相當於機器視覺的集成開發，既要了解底層開發的基礎知識，也要了解終端客戶的要求。
3、終端用戶
這類人才所做的工作，就是我們日常看到把視覺系統應用到各個領域中的人，他們需要在各自的行業使用各種已經開發成型的機器視覺系統。並且負責對各類系統進行測試及評估，以及優化應用。
這三類人才當前市場需求都異常旺盛，每一類都不可或缺。他們沒有等級劃分，並不是說第一類就比較高大上，只是這三類人才分工不同，面向的崗位也就不一樣罷了。
❺ 目前機器視覺發展到什麼水平
其實機器視覺的發展是相當緩慢的，因為近期計算機硬體發展的很快，CPU性能可以支持很大解析度圖像的計算和很復雜的演算法，好像視覺技術也發展的很快一樣，其實視覺發展的還是很慢的。
因為機器視覺使用計算機編程技術來模仿人類視覺，模仿人類的辨別能力，檢測能力；只是在很粗的粒度上進行模擬，或者說在很淺顯的水平上進行模擬，更深層次的東西大家都沒弄明白。
比如說一張圖畫裡面有若干條直線，需要數出來有幾條，這個對於人來講太容易了，是吧，但是對於計算機視覺來說，還摸不著頭腦，因為計算機沒有人類的理解能力，思考能力，他只是能很快的執行加減乘除(乘除也是用加法器湊出來的), 計算機的所有功能說白了，底層只是加減乘除而已，根本沒有思維，沒有意識，那他怎麼去數直線的根數呢？
通過數學方法的霍夫變換來實現。霍夫變換是1960-1970年之間的Paul Hough 發明的，他把空間中的所有點的坐標，轉換為許多直線方程，每個點都對應無數個直線方程，共線的點的直線方程就會重復，那麼最後數出來那些直線方程的個數超過閾值，那麼就是有多少條直線。
看明白了吧，即使數直線個數這么簡單的任務也要用這么復雜的數學變化來實現，那麼其他的比如玻璃表面的劃傷檢測呢，或者印刷品表面的漏印檢測呢，再或者機器人自動抓取是怎麼實現的的，背後都是數學演算法在支撐著，講穿了其實沒有什麼太深不可測的。
既然是有數學演算法支撐，那麼數學能解決的問題是有有限的，所以機器視覺能解決的問題也是有限的，本質上說跟人類的視覺是有根本性差別的。這些差別體現在，人類可以理解非常復雜的物體，可以在非常復雜的背景中，准確找出千變萬化的物體（例如手絹，例如糖果），這些對人來說毫不費力，但是機器視覺卻做不出來，或者說做不好。因為它缺少理解力
一旦方程無法解決，那就沒辦法了。
雖然現在深度學習很火，好像遍地開花一樣，但是深度學習也並沒有產生人類的理解能力，它也只是一種復雜的分類器而已，它用幾百萬上千萬個參數去迭代擬合復雜的圖片，以便得到正確的分類結果，但是一旦系統訓練好了，他遇到新的類別還是會分錯，他沒有自動學習能力，並且在復雜的有雜訊的背景中，識別目標的能力還是遠低於人，這都是數學方法的限制帶來的。
那麼回到主題，機器視覺是否已經無所不能，開始全面代替人工呢？ 答案是否定的。
但是可以替代那些簡單重復性的人工勞動，比如在飲料灌裝線上，挑出沒有灌滿的瓶子；在電纜生產車間，檢查電纜表面是否有破損，或者在高速行進的單一顏色布匹上，檢查出斷絲。這些都是現在數學可以解決的問題，用機器視覺也是非常合適的。
如果面對的任務不是這些簡單重復性的，例如災區搜救，照看病人，捉拿罪犯，教育孩子這些需要一定智力的活動機器就做不好了。可能等以後真正的智能出來了，才能做好。
❻ 機器視覺取樣本照片時為什麼要拍攝很多幅
並不是所有的
機器視覺
採集圖片時都拍攝很多幅的，一般拍攝很多張圖片的都是要求圖片清晰度比較高的，需要用多張圖片進行疊加平均化，目的是防止有抖動或者高速運動時採集圖片部分不清晰
另外就是為了特殊處理，一般是增強對比度，方便判別。
❼ 如何從0開始學習機器視覺
學習機器視覺專業，就從事這份工作。
1.目前機器視覺在國內更多是的工業自動化的應用，另一個用的還比較多一些的是醫療設備。
2.機器視覺目前比較成熟的應用還主要集中在定位、尺寸測量、OCR/OCV、特徵有無等領域，至於外觀缺陷檢測是一個有很大檢測需求，但是還很難做到批量或者准備的檢測應用（主要還是缺陷的特徵的差異性如劃痕、以及產品的多樣性復雜性造成的）。
3.視覺的市場需求目前尚未飽和，還有很大的空間。一方面是人力成本的提高，改善勞動強度的需求，另一方面於產業增值有很大的關系，比如一般的工業自動化設備增加上視覺部分一般而言立馬顯得「高端大氣上檔次」了，正如當年的PLC等東東剛用起來的一樣的效果。
4.視覺行業人才比較缺，當前學校本科和煙酒省很少有這個專業或者課程（研究生大多是一些圖像處理的可能，現在也有一些老師做視覺方向的研究於應用了），不想PLC等工控產品大學自動化專業基本都有該課程。所以目前從事這個行業的大多數人都屬於「半路出家」，要麼自學成才，所以人員水平也是參差不齊。
❽ 機器視覺新手應該如何學習
機器視覺新手的學習方法：
1、機器視覺涵蓋的方向非常廣泛，學習機器視覺之前應該明白自己以後想從事的方向，然後針對不同崗位對崗位職責的要求進行學習補充。
2、了解機器視覺的基本概念，因為從大范圍大環境下去了解會非常利於對其他零散知識的整合，也更容易接納。
3、確定好自己在機器視覺領域的從業方向後，可以分為硬體或軟體方向等確認學習目標。
4、知道自己學習的方向後需要了解如何使用操作。
機器視覺是人工智慧正在快速發展的一個分支。簡單說來，機器視覺
器視覺系統就是利用機器代替人眼來作各種測量和判斷。它是計算機學科的一個重要分支，它綜合了光學、機械、電子、計算機軟硬體等方面的技術，涉及到計算機、圖像處理、模式識別、人工智慧、信號處理、光機電一體化等多個領域。圖像處理和模式識別等技術的快速發展，也大大地推動了機器視覺的發展一個完整的機器視覺系統的主要工作過程如下：1、工件定位檢測器探測到物體已經運動至接近攝像系統的視野中心，向圖像採集部分發送觸發脈沖。2、圖像採集部分按照事先設定的程序和延時，分別向攝像機和照明系統發出啟動脈沖。3、攝像機停止目前的掃描，重新開始新的一幀掃描，或者攝像機在啟動脈沖來到之前處於等待狀態，啟動脈沖到來後啟動一幀掃描。4、攝像機開始新的一幀掃描之前打開曝光機構，曝光時間可以事先設定。5、另一個啟動脈沖打開燈光照明，燈光的開啟時間應該與攝像機的曝光時間匹配。6、攝像機曝光後，正式開始一幀圖像的掃描和輸出。7、圖像採集部分接收模擬視頻信號通過A/D將其數字化，或者是直接接收攝像機數字化後的數字視頻數據。8、圖像採集部分將數字圖像存放在處理器或計算機的內存中。9、處理器對圖像進行處理、分析、識別，獲得測量結果或邏輯控制值。10、處理結果控制流水線的動作、進行定位、糾正運動的誤差等。 從上述的工作流程可以看出，機器視覺是一種比較復雜的系統。因為大多數系統監控對象都是運動物體，系統與運動物體的匹配和協調動作尤為重要，所以給系統各部分的動作時間和處理速度帶來了嚴格的要求。在某些應用領域，例如機器人、飛行物體導制等，對整個系統或者系統的一部分的重量、體積和功耗都會有嚴格的要求。（良） 清楚了以上機器視覺的原理和過程之後，我建議： 1）人類和動物視覺系統的原理 2）攝像機技術與原理 3）圖像識別和處理技術 4）計算機技術5）人工智慧