我们要研究和开发光电感知方法，需要对被处理数据的生成过程有所了解。出于这个原因，我们将以成像与辐射来开启本书的内容。这部分内容将出现在第2章和第3章中。
以辐射形式存在的光，只有一部分（波长范围在380纳米到760纳米之间的电磁波）能够被肉眼看见。我们可以用仪器测量“看不见的光”的某些物理属性（例如温度），然后将测量结果以图像形式显示出来，从而拓展人眼的感知能力。这构成了第4章的主要内容。
我们需要通过光电转换，将光学图像转换为电信号，才能方便地对图像进行存储、传输等操作。我们在第5章中介绍了相关的基本原理。进一步，在第6章中，我们介绍了图像传感器，包括：图像传感器的基本原理及其外围电路的设计方法。
最容易分析的图像是：那些能够很容易地将“物体”从“背景”中分离出来的图像，这些图像可以被轻易地转化为二值图。在第7章中，我们将研究二值图处理的一些基本理论和方法。我们可以用处理二值图的方法来解决一些工业问题；但是，这通常需要控制光照条件，如图1.17所示。
在第8章和第9章中，我们所考虑的问题是：使用线性算子来将一张灰度图变成另外一张灰度图。这些操作通常是为了：抑制噪声、增强图像中的某些部分、消除图像模糊。对于视觉系统的后续操作，我们或许更容易对被处理过的图像进行分析。这两章所介绍的滤波方法，常常被作为边缘检测系统的中间处理步骤。(www.xing528.com)
在第10章中，我们将探索如何对图像中的边缘和角点进行检测。在一个场景中，物体之间相互遮挡部分的边界往往会导致图像亮度发生不连续变化。我们可以使用边缘检测技术来发现这些特征。此外，角点也是一个重要的视觉特征，较之于边缘，角点更加稀疏，在某些特殊应用中，我们可以通过角点匹配来实现目标跟踪。
然后，我们将探索运动视觉：如何根据图像亮度模式的变化来分析和估计物体的运动。这个任务的实现被分为两个子过程。第11章中，我们将探索如何基于图像亮度分析来估计各个像素点的运动，称为光流估计。第12章中，我们将探索如何基于像素点的运动来估计相机与物体之间的相对运动，称为无源导航。运用这些方法，我们可以从图像中恢复出物体的运动信息，例如，图1.17中的碰撞时间。
图1.17 从时序图像中，我们算不出运动速度，但是，却能够精确估计出碰撞时间。
自此之后，我们将从图像分析转向场景分析。在第13章中，我们将介绍：根据特征测量结果对物体进行分类的一些基本方法。在第14章和第15章中，我们将介绍：通过概率分析和随机过程模型来进行智能推理。通过应用这些数学理论，我们可以将：对单张图片的分析和理解，拓展到：对视频的分析和理解[1]。在第16章中，我们介绍了一个综合应用：教育机器人对学生听课状态进行智能分析和评估。最后，在本书的附录中，我们介绍了智能光电感知的一些应用实例（主要来自于课题组承担的部分科研项目）。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
