當人類觀看圖像時，會感知物體、人物或景觀。當機器“查看”圖像時，他們看到的只是代表單個像素的數字。假設一個灰度圖像，每個像素由一個通常在0到255之間的數字表示，其中0表示黑色（無顏色），255表示白色（全強度）。0到255之間的任何一個都是灰色陰影，如下圖所示。

因此，對于任何要獲取圖像內容的機器來說，它必須以某種方式處理這些數字。

數據量大

正如上面所說，當涉及到圖像時，計算機得到的是很多數字，意味著需要大量的處理才能被理解。舉一個例子來說明圖像的數據量究竟有多大。如果是具有1920x1080分辨率的灰度（黑白）圖像，則表示該圖像由200萬個數字（1920*1080=2073600像素）描述，如果切換到彩色圖像，則一般需要三倍的數字。如果試圖分析來自視頻/攝像機流的圖像，假設幀率為30幀/秒（標準幀率），則每秒需要處理1.8億個數字（3*2073600*30=1.8億像素）。即使如今我們擁有強大的處理器和相對較大的內存，也是一個巨大的挑戰。更何況如今幾千萬甚至上億像素的Sensor越來越普及，且其幀率更是高達上百幀/秒。

信息丟失

數字化過程中的信息丟失是造成計算機視覺難度的另一個主要因素。圖像處理的本質是從3D世界（如果處理視頻流中的數據則是4D）投影到2D平面（即平面圖像）上獲取信息。這意味著在此過程中會丟失大量信息。人類的大腦可以非常出色的推斷出丟失的數據是什么，但是對于計算機來說卻是極其困難的挑戰。下圖顯示的是一個凌亂的房間。

人類可以很容易地看出，綠色健身球比桌子上的黑色平底鍋更大更遠。但是如果黑色平底鍋比綠色球占據更多的像素，機器應該如何推斷呢？這不是一件容易的事。當然，可以嘗試通過同時拍攝兩張照片并從中提取3D信息來模擬用兩只眼睛看到的方式，這被稱為立體視覺。然而，將圖像拼接在一起也不是一項微不足道的任務，因為同樣是一個開放的研究領域。

伴隨噪聲

數字化過程中經常伴隨著噪音。例如，沒有相機會拍攝出一個完美的不含噪聲的現實圖片，特別是當用手機上的相機進行拍照時，他們會通過調整強度等級，色彩飽和度等去嘗試捕捉美麗的世界。同時在圖像拍攝過程中肯能會出現“鏡頭光暈”的現象，人類可以輕松的判斷光暈后面是什么場景，而對于計算機來說確實非常困難。 雖然已經有很多去除光暈的算法，但是去除光暈的算法本身也是開放的領域。另外，在圖像壓縮的過程中會對圖像降低像素或者變換操作，而這樣的圖片對于人來說可以輕松的識別，而對于計算機，如果不告訴它壓縮變換的操作，它會當作壓縮后的圖像為原圖像進行識別，從而產生錯誤。

理解圖像含義困難

最后也是最重要的是就是對圖像內容的理解。對于機器來說，這絕對是計算機視覺環境中最難處理的事情。當人類觀看圖像時，會用累積的學習和記憶（稱為先驗知識）來分析它。例如，人類知道，可以坐在健身球上，而平底鍋通常用在廚房里，因為這些東西過去已經了解過。如果有一些東西看起來像天空中的平底鍋，很可能它不是平底鍋，因此可以進一步仔細檢查，以確定對象可能是什么。或者如果有人圍著綠球踢球，很可能是小孩子的球而不是健身球。但機器沒有這種知識。他們不了解的世界，不了解其中固有的復雜性，以及在數千年的進化中創造的眾多工具、商品、設備等。也許有一天機器將能夠獲得網絡并從那里了解有關對象的信息，但目前離這種情況很遠。

編輯：黃飛