计算机视觉如何让机器“看见”

摄像机交给计算机的只是一张数字表，机器却要从中认出猫、行人和路牌。本文拆解计算机视觉的完整链路：像素如何变成数字，卷积如何用小窗口扫描全图，分层抽象怎样从边缘一路组合出物体语义。

像素：机器眼中的世界只是一张数字表

人眼看到的是一只猫，摄像机交给计算机的却是一张密密麻麻的数字表。一张千万像素的彩色照片，本质上是三千万个 0 到 255 之间的数字，分别记录红、绿、蓝三种颜色的亮度。计算机没有眼睛，它一开始面对的就是这样一座数字迷宫。

所以“看见”的第一步，是把图像变成可以被计算的对象。早期研究者手工设计规则，比如“猫有尖耳朵”“边缘处颜色会突变”，但真实世界光影千变万化，手写规则很快失效。现代视觉改让机器从大量样本里自己总结规律，这条路被称为数据驱动。

从边缘到语义：逐层抽象的流水线

深度学习的做法是把识别拆成许多层，每层负责一种抽象程度。前面的层只关心最朴素的东西：某个位置有没有一条边、一块色斑、一段纹理。中间层把边拼成角、圆、条纹等零件。后面的层再把零件组合成眼睛、车轮、猫脸这类部件与物体。

这种逐层抽象很像工厂流水线，也像人从线条草稿到成品画的观察过程。2012 年 AlexNet 在 ImageNet 竞赛上大幅领先，正是因为它用更深的网络配合 GPU 训练，让这种自动分层抽象真正跑通，成为现代视觉技术广为人知的起点。

卷积：用“小窗口”扫描整张图

流水线里最常用的零件叫卷积（convolution）。可以把它想成一个小窗口，比如 3×3 的方格，装着一串可以学习的数字。窗口从图像左上角出发，一格一格滑动，每停留一次就把窗口里的数字与图像对应位置的数字相乘再相加，得到一个新数值。

因为同一个窗口滑遍全图、反复使用同一套参数，卷积网络天然具备平移不变的特性：猫在画面左边还是右边，都能被同一批探测器发现。再配合池化层把邻近信息压缩，网络既省算力，也能容忍物体位置的小幅移动。

看得见不等于看得懂

不过，机器“看见”与人类“看懂”仍有距离。网络擅长发现统计相关性，却未必理解物理因果；换一个从未见过的背景，或者给照片加上人眼几乎察觉不到的扰动，它的判断就可能翻转。这也是为什么今天的视觉系统仍需要大量数据、持续评测与人类监督。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。