人们对一上述几个研究内容进行了卓有成效的研究，研究出大一淤的技术和算法，并门力各个领域中得到广泛的应用。不过，目前人们所建立的各种视觉影像测量系统大多数是只适用下某一一·特定环境或应用场合的引喇系统，而要建立一个可与人类视觉影像测量系统相比拟的通用视觉系统是非常困难的，主要原因体现在以下几方面。

 

1)图像多义性

三维场景被投影为二维图橡削去失了深度信息和不可见部分的信息，因而会出现不形状的一维物体投影在图(象平面上产生相同图橡的问题。另外，在不同角度获取同一物体的图懆会有很大的差异，如图1-6所示。因此，需要附加的约束才能解决从图形恢复景物时的多义性。

图像视觉影像的多维定义

 

2)环境因素影响

 

场景中的诸多因素，包括背景光照、光源角度、物体形状、摄橡机以及空间关系变化、空气条件、表面颜色都会对投影的图俅有影响，当任何···一个腑素发生变化时，都会对翩徐产生影响。并且，所有的这些因素都归结到一一个单一的测量结果，即图橡的灰度。要确定各种因素对灰度的作用和大小是很困难的。

 

3)理解自然景物需要大量知识

 

理解自然景物需要用到大量的知识，例如，要用到阴影、纹理、立体视觉、物体大小的知识关于物体的专门知识或通用知识，可能还有关于物体间关系的知识等，由于所需的知识量大，难以简单地用人工进行输入，可能要通过自动知识获取方法来建立。

 

4)数据量大

 

灰度黜象、彩色图慊、深度图你的信息量十分医大，巨大的数据赞需要很大的存储空闻，同时不易实现快速处理。例如，分辨率为512×512的灰度图镓的数据量为256KB,相1司分辨率的彩色图倮的数据量是768KB.如果处理的是图懔序列，则数销量更大。这期待着高速的阵列处理单元及算法(如神经网络。分维算法、小波变换等算法)的新突破，用极少的计算量和高度并行性来实现处理大数据量的功能。

 

为了解决计算机视觉所面临的问题，研究人员不断寻求新的途径和手段，例如，主动视觉，面向任务的视觉(task-oriented vision)，基于知识、基于模型的视觉，以及多传感融合和集成视觉等方法，其中人们越来越重视对知识的应用。我们会看到，计算机视觉系统的最大特征是，在视觉的各个阶段，系统尽可能地进行自动运算。为此，系统需要使共各种知识，包括特征模型、成体过程、物体模型和物体间的关系。如果计算机视觉系统不使川这Jl孙知识，则其应用的范围及其功能将t-分有限。因此，视觉系统应该使用郡些可以被明确表示的知识，以便系统具有更高的适应性和鲁棒性。合理地使用知识不仅可以有效地提高系统的适应性和鲁棒性，而且可以求解计算机视觉中较难的问题。

 

人类视觉系统具有高分辨率特点，并且具有立体观察、优越的识别能力和灵活的推理能力。视觉机理的复杂深奥使有些学者不禁感叹道如果不是因为有人类视觉系统作为通用视觉系统的实例存在的话，墓至都怀疑能不能找到建立通用视觉系统的途径。正因为如此，赋予机器以人类视觉功能一直是几卜年来人们不懈追求的奋斗目标。