影像分割是什麼技術？
某環保局想建立 AI 系統監測空氣品質，透過分析監測站攝影機拍攝的影像來識別煙霧。系統需要在影像中找出煙霧區域並標示其位置與範圍。這個應用主要屬於電腦視覺的哪個技術領域？
某環保局建置 AI 系統，透過監測站攝影機的影像來識別煙霧。系統需要在影像中找出煙霧區域，並標示出煙霧的位置與範圍。
問你：這個應用主要屬於電腦視覺的哪個技術領域？
一句話總結
要在影像中精確標出「哪些像素是煙霧」，用的是影像分割（Image Segmentation），而不是只畫框框的物件偵測。
先感受問題：監測站拍到煙霧，要怎麼圈出來？
台中市環保局在市區各處架設了 50 台攝影機，24 小時拍攝空氣狀況。工程師小安負責建立 AI 系統，自動偵測影像中是否有工廠排放的煙霧。
主管說：「只知道有沒有煙霧不夠，我要知道煙霧佔了畫面哪個區域、範圍多大，才能估算污染程度、判斷風向、追蹤煙霧來源。」
小安面對的問題是：AI 要怎麼「精確描繪」出煙霧的形狀，而不只是框一個粗略的方框？這就是影像分割技術要解決的問題。
用較粗糙的方式處理，會遇到什麼問題
小安嘗試用幾種比較簡單的方式，一一碰壁：
- 影像分類只給是非題：AI 只說「這張影像有煙霧」或「沒有煙霧」，但主管要的是「煙霧在哪裡、多大範圍」，完全沒用
- 物件偵測只畫方框：AI 在煙霧位置畫一個矩形框，但煙霧是不規則擴散形狀，一個方框裡還包含了大量非煙霧區域，面積估算嚴重失真
- 方框不能追蹤輪廓：煙霧邊緣形狀每秒都在變，方框跟不上，也無法計算煙霧體積
- 人工標記太慢：50 台攝影機每秒產生影像，靠人工一張張圈出煙霧範圍根本不現實
- 無法量化污染程度：沒有像素級別的範圍資訊，就無法計算「煙霧覆蓋了多少比例的畫面」這個關鍵指標
無論用哪種粗糙方式，都無法滿足「精確標示位置與範圍」的需求。
影像分割怎麼精確圈出煙霧
影像分割（Image Segmentation）把整張影像的每一個像素都分類：這個像素是「煙霧」，那個像素是「天空」，另一個像素是「建築物」。
小安的系統在每一幀影像上，為每個像素打上標籤。結果輸出的不是一個框，而是一張「遮罩圖」：煙霧區域塗成紅色，非煙霧區域保持透明。
這樣主管就能知道：煙霧佔整張影像的 12.3%，中心點在畫面左上方 1/4 區域，形狀向東北方擴散。這些數字全部來自像素計算，比任何方框都精確。
這就是選項 C 講的：影像分割，精確標示出煙霧的像素區域。
技術版：影像分割在電腦視覺中的位置
影像分割（Image Segmentation）是電腦視覺（Computer Vision）的核心任務之一，依精細程度分為兩種：
語義分割（Semantic Segmentation）：把每個像素標成「類別」，例如「煙霧」「天空」「建築」，但同類物體不分個體。環保局的煙霧監測通常用語義分割，因為不需要區分「第一朵煙」跟「第二朵煙」。
實例分割（Instance Segmentation）：不只標類別，還區分同類物體中的每一個個體，例如同一張圖中的「煙霧 1」「煙霧 2」。精度更高，但計算量也更大。
這個技術在 AI 領域的位置：影像分割屬於電腦視覺（CV）的核心任務，比影像分類和物件偵測難度更高，需要的運算資源也更多。常見應用包含醫療影像（標出腫瘤邊界）、自動駕駛（識別道路與行人）、衛星影像分析（圈出農地或災害範圍）。
為什麼出題者考這題：AI 應用規劃師在選技術時，必須能分辨四種電腦視覺任務的精準度差異。選錯技術會導致系統做不到想要的功能，或浪費資源用了過重的解法。
為什麼其他選項是錯的
A影像分類，判斷影像中是否有煙霧
對整張影像做分類，回答「有煙霧」或「沒有煙霧」。
影像分類只輸出一個標籤，無法提供位置資訊。題目明確要求「找出煙霧區域並標示其位置與範圍」，分類完全做不到這件事。
讀題不夠仔細，只抓到「識別煙霧」這個關鍵字，忽略了「位置與範圍」需求的人。
B物件偵測，找出煙霧位置並用方框標示
用矩形邊界框（bounding box）框出煙霧的位置，輸出框的座標和類別。
物件偵測能找到位置，但只能畫「方框」，無法精確標出煙霧的不規則像素輪廓。題目說「標示其位置與範圍」，「範圍」要精確到像素邊界，方框做不到。這是最常混淆的選項。
知道物件偵測能「找位置」，但不清楚它和影像分割精度差異的人。關鍵在「範圍輪廓」：物件偵測只有框，分割有精確邊界。
D人臉辨識，識別煙霧來源
用人臉辨識技術去識別煙霧的「來源」。
人臉辨識是專門辨識人類面部特徵的技術，跟煙霧偵測完全無關。「識別煙霧來源」的說法本身就不合邏輯，煙霧沒有臉。這個選項是明顯干擾項。
幾乎不會有人選這個。它的存在是要讓考生確認自己理解「人臉辨識」不能拿來識別物體類別。
同個考點下次怎麼變形
醫療 AI 要自動標出 X 光片中腫瘤的精確輪廓，應使用哪種電腦視覺技術？
醫療影像要「畫出腫瘤邊界」，跟煙霧範圍的需求類似。
影像分割（Image Segmentation）。腫瘤的形狀不規則，需要像素級別的邊界，不是方框能描述的。語義分割標出「腫瘤」類別像素，實例分割還能區分多個腫瘤個體。
自動駕駛系統要在行車影像中找出其他車輛的位置，以避免碰撞，最適合哪種技術？
自動駕駛要「知道其他車在哪」，找位置。
如果只需要車輛位置和大小，物件偵測（Object Detection）就夠了，輸出方框和距離即可。如果需要精確識別車道線、行人輪廓、道路邊界，則用影像分割。兩者在自駕系統中通常同時使用。
影像分類和物件偵測的最大差異是什麼？
兩個都是「辨識影像中的東西」，差別在哪？
影像分類輸出「整張圖的標籤」（這張圖是貓），沒有位置資訊。物件偵測輸出「每個物體的位置方框 + 類別」（左上角有貓、右下角有狗）。有沒有位置輸出，是最關鍵的差異。
語義分割（Semantic Segmentation）和實例分割（Instance Segmentation）有何不同？
都是「分割」，更細的差異考試偶爾會出。
語義分割把所有同類像素標成同一類別，不區分個體（兩隻貓都標「貓」）。實例分割進一步區分個體（「貓1」和「貓2」各自獨立標記）。環保局只需要「哪些像素是煙霧」，語義分割就夠了。
電腦視覺四大任務的精準度排序是什麼？
考試可能直接問「哪種技術精度最高」。
從粗到精：影像分類（整張圖一個標籤）→ 物件偵測（方框 + 類別）→ 語義分割（每像素類別）→ 實例分割（每像素 + 每個體）。精度越高，計算量越大，所需訓練資料也越多。
想再往下看，這 5 個
- 影像分割（Image Segmentation）對影像中每個像素標注類別標籤，輸出精確物體輪廓遮罩，是標示煙霧像素範圍的正確技術
- 電腦視覺（Computer Vision）讓機器理解影像內容的 AI 領域，影像分割、物件偵測、分類是其三大核心任務，精度層次遞增
- 物件偵測（Object Detection）找出物體位置並以矩形邊界框標示，比影像分割粗糙，無法精確描繪煙霧不規則輪廓
- 圖像分類（Image Classification）判斷整張影像屬於哪個類別，只輸出「有無煙霧」而無法標示煙霧位置，是三個選項中最粗糙的
- 卷積神經網路（Convolutional Neural Network）影像分割模型（如 U-Net、Mask R-CNN）的基礎架構，透過卷積操作提取局部空間特徵