Трудно назвать область знаний, в которой не были бы востребованы СМЗ. Ведь каждый из нас получает через зрительную систему 80-90% информации, поэтому вся человеческая деятельность ориентирована на ее визуальную обработку. Тем не менее сегодняшняя структура спроса определяется пока еще весьма ограниченными возможностями современных СМЗ.
Применение машинного зрения разнообразно, оно охватывает различные области деятельности, включая, но не ограничиваясь следующими:
1. Крупное промышленное производство
2. Ускоренное производство уникальных продуктов
3. Системы безопасности в промышленных условиях
4. Контроль предварительно изготовленных объектов (например, контроль качества, исследование допущенных ошибок)
5. Системы визуального контроля и управления (учет, считывание штрих-кодов)
6. Контроль автоматизированных транспортных средств
7. Контроль качества и инспекция продуктов питания
Также, машинное зрение используется в различных промышленных и медицинских областях:
1. Компонентный анализ
2. Идентификация подписи
3. Оптическое распознавание символов
4. Распознавание почерка
5. Распознавание объектов
6. Распознавание образов
7. Контроль материалов
8. Контроль валюты
9. Медицинский анализ изображения [6]
Задачи машинного зрения:
1. Распознавание.
Классическая задача в компьютерном зрении, обработке изображений и машинном зрении это определение содержат ли видеоданные некоторый характерный объект, особенность или активность.
Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в компьютерном зрении в общем случае: случайные объекты в случайных ситуациях.
Один или несколько предварительно заданных или изученных объектов или классов объектов могут быть распознаны (обычно вместе с их двухмерным положением на изображении или трехмерным положением в сцене).
2. Идентификация.
Распознается индивидуальный экземпляр объекта принадлежащего к какому-либо классу.
Примеры: идентификация определённого человеческого лица или отпечатка пальцев или автомобиля.
3. Обнаружение.
Обнаружение, основанное на относительно простых и быстрых вычислениях иногда используется для нахождения небольших участков в анализируемом изображении, которые затем анализируются с помощью приемов, более требовательных к ресурсам, для получения правильной интерпретации.
4. Распознавание текста.
Поиск изображений по содержанию: нахождение всех изображений в большом наборе изображений, которые имеют определенное различными путями содержание.
Оценка положения: определение положения или ориентации определенного объекта относительно камеры.
Оптическое распознавание знаков: распознавание символов на изображениях печатного или рукописного текста (обычно для перевода в текстовый формат, наиболее удобный для редактирования или индексации. Например, ASCII (рис. 2).
Рисунок 2 – Таблица ASCII
5. Восстановление 3D формы по 2D изображениям.
Восстановление 3D формы по 2D изображениям осуществляется с помощью стереореконструкции карты глубины, реконструкции поля нормалей и карты глубины по закраске полутонового изображения, реконструкции карты глубины по текстуре и определения формы по перемещению.
Рисунок 3 – Пример восстановления 3D формы по 2D изображению
6. Оценка движения.
Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены. Примерами таких задач являются: определение трехмерного движения камеры, слежение, то есть следование за перемещениями объекта (например, машин или людей).
7. Восстановление сцены.
Даны два или больше изображения сцены, или видеоданные. Восстановление сцены имеет задачей воссоздать трехмерную модель сцены. В простейшем случае, моделью может быть набор точек трехмерного пространства. Более сложные методы воспроизводят полную трехмерную модель.
8. Восстановление изображений
Задача восстановления изображений – это удаление шума (шум датчика, размытость движущегося объекта и т.д.).
Наиболее простым подходом к решению этой задачи являются различные типы фильтров, таких как фильтры нижних или средних частот.
Более высокий уровень удаления шумов достигается в ходе первоначального анализа видеоданных на наличие различных структур, таких как линии или границы, а затем управления процессом фильтрации на основе этих данных.
9. Анализ оптического потока.
Анализ оптического потока – нахождение перемещений пикселей между двумя изображениями.
Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены.
Примерами таких задач являются: определение трехмерного движения камеры, слежение, т.е. следование за перемещениями объекта (например, машин или людей) [7].