机器视觉是研究如何通过光学装置和非接触式传感器自动地接收、处理真实场景的图像，以获得所需信息或用于控制机器人运动的学科。
    机器视觉、图像处理（Image Processing）以及计算机视觉（Computer Vision）是既相互交叉又有区别的几个概念。图像处理是指用计算机对图像进行复原、校正、增强、统计分析、分类和识别等加工，以达到所需结果的技术和过程，它通常是机器视觉中必不可少的阶段（日常生活中图像处理常常指对图像的艺术化，与工业领域的图像处理的概念稍有差别）。计算机视觉的研究很大程度上是针对图像内容的视觉理论研究。它的研究对象主要是映射到单幅或多幅图像上的三维场景，例如三维场景的重建等。机器视觉则主要是指工业领域视觉的应用研究，例如自主机器人的视觉，用于检测和测量的视觉系统等。它通过在工业领域将图像感知、图像处理、控制理论与软件、硬件紧密结合，并研究解决图像处理和计算机视觉理论在实际应用过程中的问题，来实现高效的运动控制或各种实时操作。
    从学科分类上来看，机器视觉和计算机视觉都被认为是 人工智能的（Artificial Intelligence） 下属科目，但机器视觉更多注重广义图像信号（如常规图像、激光，红外等）和图像处理如何用于工业生产方面的研究。而计算机视觉则更注重图像信号本身的研究以及和图像相关的交叉学科的研究（医学图像分析，地图导航等）。
    通过对比和综合分析各种实际工业应用的需求，不难发现除了要对图像信号自身研究外，机器视觉软件通常还需要适应以下几种被测目标的变化情况，才能在工业环境中具有实用性。
   （1） 平移和旋转
    机器视觉系统的被测目标并不一定都会出现在视场内某一固定位置，多数情况下会在视场内平移或旋转。机器视觉软件应对被测目标的变化保持平移不变性（Shift-Invariant）和旋转不变性（Rotate-Invariant）。也就是说即使被测目标在视场内平移或旋转，机器视觉软件也应能获得一致的检测结果，并返回被测目标位置相对于模板图像的平移和旋转角度。
    （2） 尺度变化
    机器视觉软件应对被测目标的尺度变化保持不变性（Scale-Invariant）。当被测目标的尺寸在机器视觉系统采集到的图像中不固定时，机器视觉软件应能具有相对一致的检测结果，并返回所被测目标相对模板图像的缩放比例。
    （3） 目标交叠
    机器视觉软件应对部分交叠（Partial Occlusion）的目标具有相对准确的检测能力，当被测目标之间有相互覆盖的情况时，机器视觉软件应仍能正确匹配到目标，并返回被覆盖部分占整个目标的比例。
   （4） 光源强度线性或非线性变化
    机器视觉软件应对光源强度线性或非线性变化保持不变性。当机器视觉系统的光源强度整体变暗或变亮（图像整体变暗或变亮），或市场中的光强呈非线性变化（图像中各部分亮度不同）时，机器视觉软件应仍能获得相对一致的匹配结果。图2显示了光源强度线性变化和非线性变化时，对机器视觉系统所采集图像的影响。
   （5） 模糊目标和噪性
    机器视觉软件应能在图像中含有噪声，或者被测目标模糊不清时，仍能准确完成检测任务。
    90年代的OpenCV和其他各种图像处理库都在发展阶段，商业的机器视觉软件在以上几个方面都进行了增强，但都不是很成熟。近些年，随着对机器视觉研究的不断深入，机器视觉软件也不断趋于完善，不仅能对以上各种工业环境应对自如，还能确保机器检测的实时性。
    机器视觉系统对实时性要求极高，例如可能要对生产线上快速移动的被测件进行实时检测，这就要求机器视觉软件能以较高的效率完成算法计算。机器视觉软件确保其实时性的一个重要法宝就是特征提取。该过程会在对图像进行增强和分割后，从中提取进行机器决策的被测目标关键特征信息，并给予这些特征信息完成后续的处理工作，从而极大地减少参与预算的数据，提高算法的执行效率。