❶ 机器视觉急求
机器视觉的图像格式就是指可以用来做图像处理的格式，一般的8bit图像有BMP,PNG等，16bit的有tiff，tif等等，不过这些图片在被用来做图像处理的时候通常都是被转成了处理库自己的格式，例如openCV自己的图像就是IPLImage，NI的视觉模块转换成IMAQ类型的
图像的拉伸多出现在线阵相机拍摄中，由于物体运动慢，导致重复拍摄，拍摄出来的图像的就被拉伸了，相反由于物体运动快的话，就会有些拍摄不到，导致压缩，至于用来做什么这个就不清楚了，一般情况下需要避免拉伸和压缩，否则标定是比较麻烦的。
❷ 学习机器视觉需要掌握哪些知识
机器视觉首先数学基础得打好，包括微积分，线性代数，优化理论等等，其次常用得深度学习图像处理框架得会，包括目标提取，目标检测等知识
❸ 如何学习机器视觉
这个感觉是从论坛上大家所问的问题得出来的。因为。在论坛中看到不少朋友所问的问题，是相当可笑的。说可笑并非指所提问题过于简单幼稚，而是所问的问题一看就是从书本上抄来的，而不是在实际情况下所遇到的。换句话说，论坛中的朋友大多只是在纸上谈兵，极少有人真正自已动手开发视觉系统。这样说是因为自己搞开发的人绝对问不出某些奇怪问题来的。往深了说一点，好象国内的朋友们只喜欢啃书本，并不愿意(也可能是懒得)动手。 一句话，国外机器视觉发展到今天，已经可以清清楚楚分为三个部分： 1，底层开发部分。 2，二次开发部分。 3，最终使用部分。于是在国外，从事这一行业的人现在也就可以简单而清楚地分成三种人： 1，底层开发的人(从事底层开发工作的人)。 2，二次开发的人(从事二次开工作的人)。 3，使用及操作机器视觉系统的人(从事最终使用工作的人)。 第一类人。就是我们常说的，开发通用视觉系统(如：DVT，西门子，欧姆龙，EVISION，COGNEX等等)的开发人员，也就是DVT，COGNEX这些公司开发部的技术职工。 第二类。就是大家所说的OEM用户。是专门用第一类人所开发出的系统，给第三类人搞二次开发，开发各种专为第三类人所用的系统。 第三类人，就是用户(end user)。这类人是真正将机器视觉系统应用到各个领域中的人，他们不仅在各自的行业中使用种种已经开发成型的机器视觉系统。而且负责对各类系统进行测试及评估。 举个实际例子，这里有不少朋友问过这类问题：如何检测某一工件；检测光盘表面的系统该如何配置CCD相机、镜头及灯源等。问这些问题的朋友应该算是第三类人。他们公司要他们寻找一个系统可以用来检测本公司的产品。但由于第一类人所开发的，只是通用的系统以及视觉系统开发工具的软件包。并没有哪家公司专门开发一套系统来检测光盘或是某种特定的工件。所以，这些朋友就应该来找我，因为我是第二类人。 我的工作就是，专门用DVT，EVISION，COGNEX等的视觉卡，以及视觉系统开发工具软件包为他们专门开发一套他们所需要的光盘检测系统或是工件检测系统。 绕了老大一圈，其实要说的问题就是一个----我所发现的问题：这里80%以上朋友把自己的身分混淆了，越俎代庖。 不客气的说，目前国内搞这行的朋友似乎都有些好高骛远。不少从事第二部分工作朋友(搞二次开发的第二类人)对于机器视觉有关知识的了解，尚不如国外第三类人的知识水平(我是从大家所问的问题感觉到的)。而国内第三类朋友知识水平就更可想而知。 可是奇怪的是，每个人所问的却都是第二类人要问的，有些甚至是一类人才会问的问题。好象，机器视觉是个十分简单的技术，凭大家随便问几个“关键性”的问题，再由所谓的“专家”三言两语的回答一下。大家就一夜之间都可以自己搞底层开发，成第一类人了。 要成为第一类人，又分硬件及软件两种。要对自己所负责的这个模块非常了解，搞软件要知道算法及运行速度；搞硬件要明白公司所选用芯片的特点等等。同时还要清楚对手公司的优缺点以及机器视觉这一行的种种动态和最新技术。 总结一下。这三种人相比，第一类人一定要专业，对机器视觉的某一领域非常非常了解；第二类人虽比不上第一类人那么专业，但更加全面；第三类人更熟悉各个应用系统开发公司(第二类人)的优缺点。 现在大家可以看得出，机器视觉发展到今天，其分工已经越来越细，每个部分的工作其实是很难相互取代的。大家不要以为第三类人就比第一类人低一等，这是一个错误的等级概念。我本人过去曾属于第一类人，现在作的是第二类工作。而我的几个“师弟师妹”(当初曾一起作第一类人时的同事)现在就在干第三类工作。大家别小看第三类工作，以为这是小儿科，你能真作好这一行也不是很容易。毕竟这也是一门行当也是一个饭碗！另外，以我个人来看：以国内现在机器视觉的水平，对于那些想作第一类人的朋友我在这里劝一句：还是算了吧。 国内的机器视觉水平打根子上就差，您还打算搞底层？算法本身都是抄人家的，就只能和对手拼程序的写法了。不过我觉得那更没戏。 这样说我绝没有看不起初学者的意思。我说过：所问的问题再简单，我都不会笑话你。对于每样事物我们都是从无知开始的。但是，对于那些极不实际的好高骛远的问题，我还是要说，希望大家踏实下来，戒浮躁，从最基本地学起----先确定自己的身份。
❹ 机器视觉好学吗
机器视觉是用视觉系统代替人眼对物体进行检测和判断，机器视觉系统应用在工业自动化系统中已经有一段时间。当前机器视觉常常是结合工业自动化系统作为自动化设备的“眼睛”，辅助生产制造以提高生产质量和产量。
下面，我们先来了解一下机器视觉：
机器视觉分类
经过多年的发展，机器视觉开发可大致分为三大部分
一、底层开发部分
二、二次开发部分
三、最终使用部分
由于三大部分所开发层次不一样，所以对应的三类人才需求差异都是比较大的。
如何成为这三类人才
1、底层开发人才
对于第一类所需求的是机器视觉底层开发的人才，这类人才普遍要求会高一些，因为需要做的工作是开发通用视觉系统的开发人员，也就是像COGNEX这些公司开发部的技术职工，这类企业对人才的学历，出身要求都会比较严。这一类人才需要清晰的了解自己公司与别的公司的优劣势以及行业的动向，一些比较大的公司有时是会分成硬件和软件两个方向的开发人员，硬件人员要明白公司所选择的芯片的特点，软件方面需要了解算法以及运行速度。
2、二次开发人才
二次开发人才，通常都是在一类人才底层的框架基础上，为终端用户去开发应用系统。他们的能力水平要求还是比较高的，基本都要求在本科及以上学历相关专业。机器视觉的二次开发相当于机器视觉的集成开发，既要了解底层开发的基础知识，也要了解终端客户的要求。
3、终端用户
这类人才所做的工作，就是我们日常看到把视觉系统应用到各个领域中的人，他们需要在各自的行业使用各种已经开发成型的机器视觉系统。并且负责对各类系统进行测试及评估，以及优化应用。
这三类人才当前市场需求都异常旺盛，每一类都不可或缺。他们没有等级划分，并不是说第一类就比较高大上，只是这三类人才分工不同，面向的岗位也就不一样罢了。
❺ 目前机器视觉发展到什么水平
其实机器视觉的发展是相当缓慢的，因为近期计算机硬件发展的很快，CPU性能可以支持很大分辨率图像的计算和很复杂的算法，好像视觉技术也发展的很快一样，其实视觉发展的还是很慢的。
因为机器视觉使用计算机编程技术来模仿人类视觉，模仿人类的辨别能力，检测能力；只是在很粗的粒度上进行模拟，或者说在很浅显的水平上进行模拟，更深层次的东西大家都没弄明白。
比如说一张图画里面有若干条直线，需要数出来有几条，这个对于人来讲太容易了，是吧，但是对于计算机视觉来说，还摸不着头脑，因为计算机没有人类的理解能力，思考能力，他只是能很快的执行加减乘除(乘除也是用加法器凑出来的), 计算机的所有功能说白了，底层只是加减乘除而已，根本没有思维，没有意识，那他怎么去数直线的根数呢？
通过数学方法的霍夫变换来实现。霍夫变换是1960-1970年之间的Paul Hough 发明的，他把空间中的所有点的坐标，转换为许多直线方程，每个点都对应无数个直线方程，共线的点的直线方程就会重复，那么最后数出来那些直线方程的个数超过阈值，那么就是有多少条直线。
看明白了吧，即使数直线个数这么简单的任务也要用这么复杂的数学变化来实现，那么其他的比如玻璃表面的划伤检测呢，或者印刷品表面的漏印检测呢，再或者机器人自动抓取是怎么实现的的，背后都是数学算法在支撑着，讲穿了其实没有什么太深不可测的。
既然是有数学算法支撑，那么数学能解决的问题是有有限的，所以机器视觉能解决的问题也是有限的，本质上说跟人类的视觉是有根本性差别的。这些差别体现在，人类可以理解非常复杂的物体，可以在非常复杂的背景中，准确找出千变万化的物体（例如手绢，例如糖果），这些对人来说毫不费力，但是机器视觉却做不出来，或者说做不好。因为它缺少理解力
一旦方程无法解决，那就没办法了。
虽然现在深度学习很火，好像遍地开花一样，但是深度学习也并没有产生人类的理解能力，它也只是一种复杂的分类器而已，它用几百万上千万个参数去迭代拟合复杂的图片，以便得到正确的分类结果，但是一旦系统训练好了，他遇到新的类别还是会分错，他没有自动学习能力，并且在复杂的有噪声的背景中，识别目标的能力还是远低于人，这都是数学方法的限制带来的。
那么回到主题，机器视觉是否已经无所不能，开始全面代替人工呢？ 答案是否定的。
但是可以替代那些简单重复性的人工劳动，比如在饮料灌装线上，挑出没有灌满的瓶子；在电缆生产车间，检查电缆表面是否有破损，或者在高速行进的单一颜色布匹上，检查出断丝。这些都是现在数学可以解决的问题，用机器视觉也是非常合适的。
如果面对的任务不是这些简单重复性的，例如灾区搜救，照看病人，捉拿罪犯，教育孩子这些需要一定智力的活动机器就做不好了。可能等以后真正的智能出来了，才能做好。
❻ 机器视觉取样本照片时为什么要拍摄很多幅
并不是所有的
机器视觉
采集图片时都拍摄很多幅的，一般拍摄很多张图片的都是要求图片清晰度比较高的，需要用多张图片进行叠加平均化，目的是防止有抖动或者高速运动时采集图片部分不清晰
另外就是为了特殊处理，一般是增强对比度，方便判别。
❼ 如何从0开始学习机器视觉
学习机器视觉专业，就从事这份工作。
1.目前机器视觉在国内更多是的工业自动化的应用，另一个用的还比较多一些的是医疗设备。
2.机器视觉目前比较成熟的应用还主要集中在定位、尺寸测量、OCR/OCV、特征有无等领域，至于外观缺陷检测是一个有很大检测需求，但是还很难做到批量或者准备的检测应用（主要还是缺陷的特征的差异性如划痕、以及产品的多样性复杂性造成的）。
3.视觉的市场需求目前尚未饱和，还有很大的空间。一方面是人力成本的提高，改善劳动强度的需求，另一方面于产业增值有很大的关系，比如一般的工业自动化设备增加上视觉部分一般而言立马显得“高端大气上档次”了，正如当年的PLC等东东刚用起来的一样的效果。
4.视觉行业人才比较缺，当前学校本科和烟酒省很少有这个专业或者课程（研究生大多是一些图像处理的可能，现在也有一些老师做视觉方向的研究于应用了），不想PLC等工控产品大学自动化专业基本都有该课程。所以目前从事这个行业的大多数人都属于“半路出家”，要么自学成才，所以人员水平也是参差不齐。
❽ 机器视觉新手应该如何学习
机器视觉新手的学习方法：
1、机器视觉涵盖的方向非常广泛，学习机器视觉之前应该明白自己以后想从事的方向，然后针对不同岗位对岗位职责的要求进行学习补充。
2、了解机器视觉的基本概念，因为从大范围大环境下去了解会非常利于对其他零散知识的整合，也更容易接纳。
3、确定好自己在机器视觉领域的从业方向后，可以分为硬件或软件方向等确认学习目标。
4、知道自己学习的方向后需要了解如何使用操作。
机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉
器视觉系统就是利用机器代替人眼来作各种测量和判断。它是计算机学科的一个重要分支，它综合了光学、机械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。图像处理和模式识别等技术的快速发展，也大大地推动了机器视觉的发展一个完整的机器视觉系统的主要工作过程如下：1、工件定位检测器探测到物体已经运动至接近摄像系统的视野中心，向图像采集部分发送触发脉冲。2、图像采集部分按照事先设定的程序和延时，分别向摄像机和照明系统发出启动脉冲。3、摄像机停止目前的扫描，重新开始新的一帧扫描，或者摄像机在启动脉冲来到之前处于等待状态，启动脉冲到来后启动一帧扫描。4、摄像机开始新的一帧扫描之前打开曝光机构，曝光时间可以事先设定。5、另一个启动脉冲打开灯光照明，灯光的开启时间应该与摄像机的曝光时间匹配。6、摄像机曝光后，正式开始一帧图像的扫描和输出。7、图像采集部分接收模拟视频信号通过A/D将其数字化，或者是直接接收摄像机数字化后的数字视频数据。8、图像采集部分将数字图像存放在处理器或计算机的内存中。9、处理器对图像进行处理、分析、识别，获得测量结果或逻辑控制值。10、处理结果控制流水线的动作、进行定位、纠正运动的误差等。 从上述的工作流程可以看出，机器视觉是一种比较复杂的系统。因为大多数系统监控对象都是运动物体，系统与运动物体的匹配和协调动作尤为重要，所以给系统各部分的动作时间和处理速度带来了严格的要求。在某些应用领域，例如机器人、飞行物体导制等，对整个系统或者系统的一部分的重量、体积和功耗都会有严格的要求。（良） 清楚了以上机器视觉的原理和过程之后，我建议： 1）人类和动物视觉系统的原理 2）摄像机技术与原理 3）图像识别和处理技术 4）计算机技术5）人工智能