====== Computer Vision (Počítačové vidění) ======

**Computer Vision** (CV) transformuje obrazová data na číselné nebo symbolické informace. Cílem je naučit počítač "vidět" a "rozumět" obsahu scény podobně jako člověk, ale s rychlostí a precizností stroje. Využívá k tomu pokročilé algoritmy, statistiku a v poslední dekádě především hluboké učení (Deep Learning).

----

====== Jak Computer Vision funguje? ======

Proces interpretace obrazu obvykle probíhá v několika fázích:

  1. **Získávání obrazu:** Senzor (kamera) zachytí scénu a převede ji na matici [[pixel|pixelů]].
  2. **Předzpracování:** Odstranění šumu, úprava jasu nebo kontrastu, aby byl obraz čitelnější pro algoritmus.
  3. **Extrakce rysů (Feature Extraction):** Algoritmus hledá hrany, rohy, textury nebo specifické tvary.
  4. **Rozpoznávání a klasifikace:** Interpretace nalezených rysů a jejich přiřazení k určitému objektu nebo akci.



----

====== Hlavní úlohy počítačového vidění ======

Počítačové vidění se dělí na několik klíčových disciplín:

  * **Klasifikace obrazu:** Určení, co je na obrázku (např. "toto je pes").
  * **Detekce objektů:** Identifikace a lokalizace objektů v obraze (označení psa v rámečku).
  * **Sémantická segmentace:** Rozdělení obrazu na jednotlivé části podle významu (např. v autonomním řízení: "toto je silnice", "toto je chodec").
  * **Rozpoznávání obličejů:** Identifikace konkrétní osoby podle biometrických znaků.
  * **OCR (Optical Character Recognition):** Převod tištěného nebo psaného textu do digitální podoby.



----

====== Technologie a algoritmy ======

Historicky se CV spoléhalo na ručně navržené filtry, ale moderní éra patří neuronovým sítím:

  * **CNN (Convolutional Neural Networks):** Konvoluční neuronové sítě jsou základem moderního CV. Dokážou se samy naučit rozpoznávat složité vzory (od jednoduchých hran až po celé obličeje).
  * **Edge Computing:** Zpracování obrazu přímo v zařízení (kameře), což snižuje latenci a nároky na přenos dat.
  * **Stereovize a LiDAR:** Využití dvou kamer nebo laserů k získání prostorových (3D) informací o scéně.

----

====== Praktické využití v reálném světě ======

^ Obor ^ Příklady použití ^
| **Autonomní vozidla** | Rozpoznávání dopravních značek, jízdních pruhů a překážek na cestě. |
| **Zdravotnictví** | Analýza rentgenových snímků a MRI k detekci nádorů nebo zlomenin. |
| **Průmysl** | Kontrola kvality na linkách (hledání vad v produktech). |
| **Zabezpečení** | Identifikace osob na letištích, rozpoznávání SPZ vozidel. |
| **Zábava** | Filtry v aplikacích (Snapchat, Instagram), rozšířená realita (AR). |

----

====== Výzvy a limity ======

Počítačové vidění stále naráží na určité problémy:
  * **Světelné podmínky:** Stíny, odlesky nebo tma mohou výrazně snížit přesnost.
  * **Změna perspektivy:** Počítač může mít problém rozpoznat objekt, pokud jej vidí z neobvyklého úhlu.
  * **Interpretace kontextu:** Rozlišit mezi obrázkem psa a skutečným psem v reálném světě může být pro některé systémy stále náročné.

----
//Související pojmy: Pixel, Umělá inteligence, Neuronové sítě, Robotika, OCR, Deep Learning, Senzor.//