跳到正文
AI 图鉴
05 计算机视觉入门本域第 1 篇

图像的数字化表示

照片在机器眼里，是一层叠着一层的数字方阵

定义

数字图像是由像素值构成的多维数组：灰度图是二维矩阵，彩色图在此基础上增加通道维（通常是 R、G、B 三个），一批图再堆成四维张量 (N, C, H, W)。像素的数值范围（位深）、颜色空间（sRGB / HSV / Lab）与归一化方式，共同决定了网络实际看到的输入长什么样。

直观理解

一张 1000×1000 的彩色照片，在计算机里就是 1000×1000×3 ≈ 300 万个数字。放大到像素级别，照片变成马赛克瓷砖铺成的墙，每块瓷砖上写着三个 0–255 的数。你看到的「一只猫」，机器看到的只是三张叠在一起、分别描述红绿蓝强度的数字表格。计算机视觉的第一步，永远是坦然承认这一点，而不是绕过它。

图 1

灰度图像就是一个二维矩阵：每个格子的数字是 0–255 的亮度，中间一条亮带构成竖直边缘

12121014902101113801820512147019212116018521520519551822211951817225215218517
图 2

一张「暗背景 + 亮物体」图像的灰度直方图：明显的双峰对应背景与主体的两级亮度

工作原理

  1. 01

    采样与量化：把连续的世界切成网格

    现实中的光是连续分布的，传感器在每个格点上采样颜色，再把强度量化为整数（8 位即 0–255）。分辨率决定网格有多密，位深决定每个像素能表达多少级明暗。

  2. 02

    通道与颜色空间：同一块像素的三套坐标系

    RGB 面向显示设备，HSV 把「颜色」与「明暗」解耦，Lab 追求感知上的均匀。做颜色阈值、白平衡或风格迁移之前，选对颜色空间往往比换一个更大的模型更有效。

  3. 03

    张量形状：把图像喂进网络

    单张图是 (C, H, W)，一批图是 (N, C, H, W)。多数框架默认通道在前（NCHW），而很多数据管线给出的是通道在后（H, W, C）——形状对不上是初学者最常见的报错来源。

  4. 04

    归一化与数据增强：进入网络前的最后一步

    减去均值、除以标准差让各通道尺度一致，有助于优化稳定；随机裁剪、翻转、颜色抖动等增强在不改变语义的前提下人为扩增数据，是抑制过拟合的第一道防线。

图 3

一张彩色图从「二维」长成「四维」：空间两维 + 通道维 + 批量维，即张量 (N, C, H, W)

框架默认 NCHW；若数据来自 (H, W, C)，需要显式转置。

应用场景

  • 图像预处理管线：解码 → 缩放 → 归一化 → 张量化，几乎所有视觉模型共享的第一步
  • 医学与遥感影像：16 位高动态范围与伪彩色映射，位深选择直接决定能否看清病灶与地物
  • 颜色相关任务：肤色检测、红绿灯识别、白平衡校正依赖 HSV / Lab 空间
  • 数据增强：训练前统一扩增样本，是提升泛化最低成本的手段

常见误区

  • 归一化参数必须与训练时一致。用 ImageNet 均值训练、却拿原始 0–255 输入做推理，输出会完全失真——这类错误不会报错，只会悄悄拉低效果。
  • 分辨率不是越高越好。下采样会抹掉小目标，但盲目放大既不增加信息，又平方级地抬高算力。
  • RGB 不等于「人眼看到的颜色」。sRGB 是显示标准的约定，Lab 才更接近感知均匀；讨论颜色距离时要分清用的是哪一套。

关键术语

像素
图像的最小采样单元，携带一个或多个通道的数值
位深
每个通道用多少比特表示，8 位对应 256 级
通道
同一空间位置上的不同测量量，如 R/G/B 或 Alpha
颜色空间
组织颜色数值的一套坐标系统，如 sRGB、HSV、Lab

延伸阅读