图像处理和视觉应用程序可能会受益于云计算，因为很多都是数据和计算密集型的。
    专为细胞分析，汽车零部件尺寸测量或分析多光谱卫星图像而设计的图像处理和机器视觉应用为系统设计人员带来了不同的挑战。 虽然所有这些都是计算和数据密集型的，但是这些图像必须被捕获和分析的速率在应用程序之间差别很大。
    例如，在数字病理学系统中，高速图像捕捉可能不是必需的，但对于设计用于以每分钟数千（或更多）个零件的速率检测汽车零件的机器视觉系统而言，这一点至关重要。 在这样的系统中，图像捕获和处理的速度至关重要，最重要的是，视觉系统的延迟以及通过/失败排斥机制也是如此。
客户服务器模型
    云计算（或者更确切地说是使用远程服务器网络来存储，管理和处理数据）将承诺分散图像处理和机器视觉系统中所需的大部分图像处理，这将影响当前使用本地处理和存储的应用程序。通过远程查找处理和存储功能，图像处理应用程序可远程使用，并可由用户按需付费或按按使用付费商业模式付费。
    这些模型以多种不同的形式提供，特别是作为软件即服务（SaaS），平台即服务（PaaS）和基础架构即服务（IaaS）。 虽然SaaS使用在基于云的系统上运行的提供商的应用程序，但PaaS允许第三方软件公司远程开发，运行和管理他们的应用程序。 最后，IaaS为那些希望运行远程应用程序的人提供管理和可扩展的资源作为服务
    这种云计算基础架构对图像处理和机器视觉系统的开发者提出了挑战。 虽然基于云的系统理想化地尝试自动分配和平衡处理负载，但开发人员的角色仍然是确保数据以满足应用程序需求的速度传输、处理和返回数据。
    美国佛罗里达州奥兰多市中佛罗里达大学的Dan Marinescu教授指出，鉴于共享网络和未知拓扑结构，基于云的基础架构表现出节点间延迟和带宽波动，这些往往会影响应用性能。
云服务
    今天，许多公司允许系统集成商使用这种网络上传和处理数据。 通过这样做，开发人员不需要在本地处理，而是使用远程处理能力和存储能力。 亚马逊网络服务、微软、Google、IBM均提供IaaS产品。 这些公司以及Clarifai和Cloud Sight也提供图像识别应用程序编程接口（API） 来开发应用程序。
    利用谷歌地图和覆盖的卫星成像仪，Namibia洪水仪表板为科学家提供了有关该地区洪水的不断更新的信息。
图片板
    为了更好地理解这种基于网络的模式识别系统的有效性，Vision Systems Design的工作人员决定使用Optasia Systems （Optasia Systems开发的IMPS AOI-M3系统使用Basler的现成相机，与一个在主机PC上运行的本地基于软件的前馈人工神经网络）提供的相同图像来解决自动车牌识别（ANPR）问题。
    使用Optasia Systems提供的相同图像，在明亮的阳光下和黑暗中拍摄的汽车图像大约5MByte和0.5Mbyte首先上传到Google的Cloud Vision和Cloud Sight的图像识别软件。 使用大约17Mbps的上传速度，Google的Cloud Vision分析结果在4s返回见图1a大约8秒内返回，见图1b。 考虑到传输图像并返回结果所需的最短时间大约为2.5s，处理丰田大型高亮度图像的数据花费了大约6秒。 返回的结果都清楚地标识了每辆汽车的牌照。 当这样的图像被上传到Cloud Sight的图像识别软件时，该汽车在上传和处理时间约3秒后被认为是丰田。
    显然，Dan Marinescu教授概述的延迟和带宽波动通常会影响应用程序的性能。 但是，即使使用最快的光网络将图像传输速度降至最低，系统仍然是非确定性的并且表现出一定程度的延迟。 如果将来自简单摄像机和照明系统的时间戳图像传输到这种基于云的软件，则可能不需要本地处理能力，从而减少此类系统成本。
科学解决方法
    尽管处理捕获的图像的结果可能不会像使用本地、更确定性的系统那样快，但是这样的配置将证明在确定性和延迟效应不那么关键的车牌识别和医疗和遥感系统中是有益的。
    “由于Walter和Eliza Hall研究所每周都会产生2-3TBytes的图像数据，因此图像分析显示出了计算需求的瓶颈，”DiUs软件工程师Pavi De Alwis说。 “科学家们也受到计划和共享计算和存储基础架构需求的限制。”为了克服这个问题，威斯康星州麦迪逊大学的Curtis Rueden维护的Fiji / ImageJ开源图像软件被移植到AWS的弹性计算云（EC2） - 一种计算配置，允许用户租用“虚拟”计算机来运行其应用程序。 
    在实施其基于云的Neural Vision软件时，Cyth Systems提供了一种培训机器视觉系统以自动识别缺陷等特征的方法。将图像上传到基于云的服务器系统后，图像的关键特征将被手动标记，处理和分类。 然后分析结果以确定特征的精确度，如果结果令人满意，则将系统部署在生产线上。
    同样，遥感应用正在开展开源项目。 其中之一是Matsu项目，NASA和Open Commons Consortium旨在开发用于处理卫星图像的基于云的系统。
    使用Apache Hadoop的开放源代码软件框架进行分布式存储，Project Matsu的开发人员使用Hadoop的MapReduce编程模型开发Project Matsu“Wheel ”该软件框架对来自美国宇航局地球观测-1（EO-1）卫星（http://bit.ly/VSD-MATS）上的高级陆地成像仪（ALI）和Hyperion超光谱成像仪的多光谱数据进行统计分析。 然后显示为一个仪表板（一个用户界面），显示不断更新的有关洪水的信息。
走向机器视觉
    科学和医疗应用程序正在利用云计算的处理和存储功能，一些机器视觉和图像处理供应商正在提供基于云的解决方案，作为其客户应用程序的部分或全部解决方案。
    例如，美国国家仪器公司认为混合方法既包括云计算又包括公司称之为“边缘”计算的解决方案，该解决方案结合了实时和基于云计算的优点。 “在这种情况下，云用于大型计算和数据聚合职责，而边缘节点提供确定性的逐秒分析和决策制定，”Vision产品经理Kevin Kleine说。 “这可以实现可追踪性，流程优化，原始图像和结果汇总，深度神经网络模型训练和系统管理等云计算优势，同时不会牺牲在线通过/失败分析机制所需的延迟和确定性。”
    这样的云系统汇总来自边缘计算节点的数据，并且可以部署算法或将更新处理返回到具有紧密反馈回路的边缘系统。 “在理想的系统中，可以根据从边缘节点收集的最新数据，以云中的设定节奏（例如每天）训练神经网络。 然后可以将一个新模型部署到所有适当的边缘节点，以使用最新的算法对它们进行更新，以实现其逐秒计算和决策”Kleine说。
    NI开发了适合这种架构的多个组件。 虽然NI通过LabVIEW云工具包集成了云服务，尤其是亚马逊网络服务（AWS），但其SystemLink系统管理软件为分布式测试和测量应用提供了集中管理功能。此外，该公司的工业控制器产品线还为机器视觉提供了优化的边缘计算节点。