解析：
題目要求「找出煙霧區域並標示其位置和範圍」，需要精確標示煙霧佔據的像素區域。這是影像分割（Image Segmentation）的任務，能在像素層級區分出煙霧的精確範圍。
你有沒有看過手機能解鎖人臉，或工廠相機自己抓出瑕疵？
你可以把電腦視覺想成「讓電腦看懂圖片和影片」：它不只是把圖顯示出來，而是要辨認裡面有什麼、在哪裡、發生了什麼。
它很重要，因為很多現實世界的資訊都存在影像裡，從醫療、製造到自駕車，電腦視覺都是把畫面變成決策依據的核心能力。
容易混淆
電腦視覺 vs 圖像處理 vs 影像辨識
電腦視覺：讓電腦理解影像內容並做判斷
圖像處理：改善影像品質，例如去噪、銳化、調色
影像辨識：偏向判斷圖中是什麼物件或類別
最關鍵的區別：圖像處理是在修圖，電腦視覺是在理解畫面。
記住這句就好
影像處理是修照片，電腦視覺是看懂照片。
實際案例
醫療影像判讀
前：醫師要一張張看 X 光與 MRI，時間長又容易疲勞
後：模型先標出可疑區域，幫醫師縮小範圍，再做最後判讀
產線瑕疵檢測
前：靠人工目視檢查，速度慢而且標準不一致
後：相機搭配模型自動找出刮痕、缺角和顏色異常，快速分流處理
算法與應用
電腦視覺常用卷積神經網路、目標偵測、影像分割與姿態估計等方法
它也會和深度學習、擴散模型、注意力機制結合，延伸到生成、理解和多模態任務
實務上，資料標註品質、光線變化和拍攝角度，往往比模型選型更影響效果
情境判斷
Q1（直覺題）： 看到相機能自動辨識車牌，這比較像電腦視覺嗎？
→ 是。因為它是在從影像中抓出文字與位置資訊。
Q2（判斷題）： 如果相機模型把照片顏色修得很好，但還是不知道畫面裡是什麼，算成功的電腦視覺嗎？
→ 不算完整成功。那只是圖像處理效果好，還沒有真正做到理解內容。
iPAS 考題
Q：電腦視覺在 iPAS 常考哪些重點？
→ 通常會考基本定義、應用場景、和圖像處理的差異，也可能考 CNN、物件偵測和影像分類的用途。
Q：為什麼這題容易考？
→ 因為它能同時檢查你有沒有分清楚「看見」和「看懂」，也很容易連到醫療、製造和自駕等實例。
常見問題
電腦視覺一定要深度學習嗎？
不一定，傳統影像方法還在很多場景使用，只是現在深度學習更常見。
電腦視覺能不能只做圖片，不做影片？
可以，但影片其實是連續影像，所以很多方法也能延伸到動作與時序分析。
電腦視覺和多模態 AI 有什麼關係？
多模態 AI 會把影像和文字一起處理，電腦視覺就是其中的視覺部分。
為什麼影像資料這麼難做？
因為光線、角度、遮擋和背景變化都很大，資料品質很容易影響模型。
範例考題
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和範圍。這個應用主要屬於電腦視覺的哪個技術領域？
- A. 影像分類，判斷影像中是否有煙霧
- B. 物件偵測，找出煙霧位置並用方框標示
- C. 影像分割，精確標示出煙霧的像素區域 ✓ 正確答案
- D. 人臉辨識，識別煙霧來源
某果園管理公司計畫導入 AI 系統協助農民判斷蘋果成熟度，透過分析果實特徵資訊，評估成熟狀態並自動判斷採收時機。根據 AI 應用領域的分類，這個系統主要屬於哪一個應用領域？
- A. 自然語言處理（Natural Language Processing）
- B. 電腦視覺（Computer Vision） ✓ 正確答案
- C. 語音識別（Speech Recognition）
- D. 推薦系統（Recommendation System）
解析：
透過分析果實的視覺特徵（顏色、形狀、紋理等）來判斷成熟度，屬於電腦視覺（Computer Vision）的應用範疇。電腦視覺讓 AI 能從影像中提取和分析視覺資訊。