---
title: "電腦視覺（Computer Vision）"
slug: computer-vision
language: zh-TW
source: https://aiterms.tw/terms/computer-vision
updated_at: 2026-04-29
tags: [電腦視覺, Computer Vision, L11402, 圖像處理, 初級]
ipas_term: true
---

# 電腦視覺（Computer Vision）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語

> - **卷積神經網路**：電腦視覺最經典的模型之一，先讀它能理解影像特徵怎麼被抽出
> - **深度學習**：很多現代電腦視覺方法都建立在它上面
> - **擴散模型**：理解生成圖片的路線，能看懂視覺生成和視覺理解的差別
> - **人工智慧**：電腦視覺是 AI 的重要分支
> - **機器學習**：電腦視覺多半是機器學習在影像上的應用

---

來源：https://aiterms.tw/terms/computer-vision
快查頁：https://aiterms.tw/terms/computer-vision
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-computer-vision