博客地址：
Robot Vision vs Computer Vision: What's the Difference?blog.robotiq.com
机器人视觉(Robot Vision)，计算机视觉(Computer Vision)，图像处理(Image Processing)，机器视觉(Machine Vision)和模式识别(Pattern Recognition)到底有什么不同之处？
在基本术语中，机器人视觉涉及使用相机等硬件和计算机算法的组合，以允许机器人处理来自世界的视觉数据。但当人们谈起机器人视觉的时候，常常与“计算机视觉”或“图像处理”混淆在一起。不同术语之间的界限有时会模糊不清，但在许多地方仍有着明确的不同。本文通过一一分析机器人视觉“家谱”中的成员，力争为大家梳理出更清晰的概念。
图1 机器人视觉的家族图谱
机器人视觉(Robot Vision)和机器视觉(Machine Vision)密切相关，同时他们都属于计算机视觉(Computer Vision)的研究范畴。如果我们谈论家谱，计算机视觉可以被看作是机器人视觉和机器视觉的“父母”。然而，为了理解它们在世界上的适用范围，我们必须更进一步引入“祖父母”——信号处理(Signal Processing)。
信号处理 (Signal Processing)
信号处理涉及电信号处理的相关工作，包括去噪，信息提取或为信号的输出或进一步处理做准备。任何东西或多或少都可以被认为是一种信号，纷繁复杂的信号也均可以被处理，比如模拟电信号，数字电子信号，频率信号等。图像的本质就是一个二维(或更多)信号。在机器人视觉的研究中，我们对处理图像的过程尤为感兴趣，所以机器人视觉就等同于图像处理吗？当然不是！
图像处理和计算机视觉 (Image Processing vs Computer Vision)
计算机视觉和图像处理就像表兄弟一样，但是他们却有着截然不同的目标。图像处理技术主要用于提高图像的质量，将图像转换成另外的格式(如直方图)或者为进一步处理做一些更改。而计算机视觉更偏重于从图像中提取出有价值的信息以理解它们。因此，你可能会使用图像处理技术将图像转换成灰度图，然后使用计算机视觉的方法检测图像中的对象。如果我们进一步观察家谱，我们会发现这两个领域都受到物理学领域的影响，特别是光学领域。
模式识别vs机器学习 (Pattern Recognition vs Machine Learning)
截止目前为止，一起概念相对清晰明了。但当我们将模式识别和机器学习引入到家谱中时，问题开始变得复杂。该系列的这一分支专注于识别数据中的模式。例如，为了能够从其图像中识别对象，软件必须能够检测它看到的对象是否与先前的对象类似。因此，机器学习同信号处理一样，也是计算机视觉的一个父母。需要注意的是，并非所有计算机视觉技术都需要机器学习。在实践中，这两个领域通常组合为：计算机视觉检测图像中的特征和信息，然后将其用作机器学习算法的输入。例如，计算机视觉检测传送带上部件的尺寸和颜色，然后机器学习根据其了解好部件应该是什么样的知识来决定这些部件是否有故障。
机器视觉 (Machine Vision)
当我们要理解机器视觉的概念时，一切都在变化。这是因为机器视觉与之前的所有术语完全不同，它更多地关注于特定的应用而不是技术。机器视觉是指用于自动检测，过程控制和机器人引导的视觉的工业用途。其余的“家庭”成员更多的偏重于科学领域，而机器视觉却完全属于工程领域。
在某些方面，您可以将其视为计算机视觉的后代，因为它使用计算机视觉和图像处理的技术和算法。但是，尽管它用于引导机器人，但它与机器人视觉并不完全相同。
机器人视觉 (Robot Vision)
机器人视觉结合了之前所有术语中的技术。在许多情况下，机器人视觉和机器视觉可以互换使用。但是，有一些细微的差别。一些机器视觉应用，例如零件检测，与机器人无关——该部件仅放置在寻找故障的视觉传感器前面。
此外，机器人视觉不仅是一个工程领域，也是一门具有自己特定研究领域的科学。与纯粹的计算机视觉研究不同，机器人视觉必须将机器人技术的各个方面融入其技术和算法中，例如运动学，参考框架校准和机器人物理影响环境的能力。视觉伺服(视觉伺服，一般指的是，通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像，通过图像反馈的信息，来让机器系统对机器做进一步控制或相应的自适应调整的行为)是这一种技术的完美例子，它只能被称为机器人视觉，而不是计算机视觉。它涉及通过使用由视觉传感器检测到的机器人位置的反馈来控制机器人的运动。
输入vs输出 (input vs output)
最后，我们通过分析输入和输出来进一步加深对上述概念的理解。
