图像基础与视觉感知 | Image Fundamentals and Visual Perception

图像基础与视觉感知 | Image Fundamentals and Visual Perception

1.1 引言 | Introduction

计算机视觉作为人工智能领域中发展最为迅速的分支之一，其核心目标在于赋予机器“看懂”世界的能力。这一目标的实现，建立在对图像本质的深刻理解之上。在深入探讨任何视觉算法之前，我们必须首先回答一个根本性问题：什么是图像？从物理学的角度来看，图像是场景中光辐射能量在空间和时间上的分布；从数学的角度来看，图像是一个定义在二维连续域上的函数，其值代表场景中各点的亮度或色彩信息；从计算的角度来看，图像被离散化为像素阵列，存储在计算机的内存中。本章将系统性地介绍数字图像的表示方法、处理基础，以及支撑这些技术的人类视觉系统原理，为后续章节中各类视觉算法的学习奠定坚实的理论基础。

理解图像的本质不仅对于算法设计至关重要，更深刻影响着我们在实际应用中做出的种种决策。当我们调整一幅图像的对比度时，实际上是在改变像素值的分布范围；当我们对图像进行滤波处理时，实际上是在改变图像在频域中的能量分布；当我们选择不同的色彩空间时，实际上是在从不同的角度观察和表达同一种视觉信息。这些看似简单的操作背后，都蕴含着深厚的数学原理和生理学基础。

1.2 数字图像的表示 | Representation of Digital Images

1.2.1 像素与分辨率 | Pixels and Resolution

像素（Pixel）是数字图像的基本构成单元，这一术语源自"Picture Element"的缩写。每一个像素代表图像在某一特定位置的颜色或亮度信息。在离散化的数字图像中，我们可以将图像理解为一个$M \times N$的二维矩阵，其中$M$表示图像的高度（行数），$N$表示图像的宽度（列数）。图像的分辨率（Resolution）则量化地描述了这种离散化的精细程度，通常以"宽度×高度"的格式表示，例如1920×1080表示图像在水平方向有1920个像素，在垂直方向有1080个像素。

像素值的取值范围取决于图像的位深度（Bit Depth）。位深度决定了每个像素可以表示的不同数值的数量。一幅8位灰度图像的每个像素可以取0到255之间的256个不同的整数值，这是因为8位二进制数可以表示$2^8 = 256$种不同的状态。对于彩色图像，通常使用24位色深（每通道8位），能够表示$2^{24} = 16,777,216$种不同的颜色，这就是人们常说的"真彩色"（True Color）。在医学影像和卫星遥感等专业领域，10位、12位甚至16位的高位深度图像也被广泛使用，以保留更多的灰度细节信息。

```python import numpy as np import cv2

创建不同分辨率的示例图像

def create_resolution_comparison(): """ 演示不同分辨率对图像质量的影响 """

生成测试图案（棋盘格）

patterns = {} resolutions = [(64, 64), (128, 128), (256, 256), (512, 512)]

for res in resolutions: pattern = np.zeros(res, dtype=np.uint8) block_size = res[0] // 8 for i in range(8): for j in range(8): if (i + j) % 2 == 0: pattern[i*block_size:(i+1)*block_size, j*block_size:(j+1)*block_size] = 255 patterns[f"{res[0]}x{res[1]}"] = pattern

return patterns

位深度演示

def bit_depth_demonstration(): """ 演示不同位深度对图像的影响 """

创建渐变图像

gradient = np.linspace(0, 255, 256, dtype=np.uint8).reshape(1, 256) gradient = np.repeat(gradient, 100, axis=0)

bit_depths = [2, 4, 6, 8] results = {}

for bits in bit_depths: levels = 2 ** bits step = 256 // levels quantized = (gradient // step) * step results[f"{bits}-bit ({levels} levels)"] = quantized

return gradient, results

运行演示

pattern_demo = create_resolution_comparison() gradient, bit_demo = bit_depth_demonstration()

print("Resolution demonstration:") for name, pattern in pattern_demo.items(): print(f" {name}: shape = {pattern.shape}")

print("\nBit depth demonstration:") for name, img in bit_demo.items(): print(f" {name}: unique values = {len(np.unique(img))}") ```

1.2.2 图像的类型与结构 | Types and Structures of Images

数字图像根据其表示方式和通道数可以分为多种类型。灰度图像（Grayscale Image）是最简单的图像形式，每个像素仅用一个数值表示亮度信息，取值范围通常为0（黑色）到255（白色）。灰度图像可以看作是一个二维矩阵$I(x, y)$，其中$x$和$y$表示像素的坐标，$I$表示该位置的灰度值。

彩色图像则需要多个通道来表示颜色信息。在数字图像处理中，我们使用多通道图像（Multi-channel Image）的概念来描述这类数据。最常见的表示方式是使用三维矩阵：高度$\times$宽度$\times$通道数。对于一个RGB彩色图像，矩阵的第三个维度的大小为3，分别对应红（Red）、绿（Green）、蓝（Blue）三个颜色通道。这种表示方法基于颜色加法混色原理，即通过不同比例的红、绿、蓝光叠加，可以产生人眼能够感知的大部分颜色。

二值图像（Binary Image）是灰度图像的极端情况，每个像素只能取0或1两个值。在二值图像中，0通常表示黑色（背景），1表示白色（前景）。二值图像在文档扫描、OCR识别、边缘检测等领域有着广泛应用。由于只需要1位来表示每个像素，二值图像具有最高的存储效率和最快的处理速度。

多光谱图像（Multispectral Image）和高光谱图像（Hyperspectral Image）代表了更高级的图像表示形式。多光谱图像通常包含3到15个波段的数据，常见于卫星遥感领域。高光谱图像则可以包含数百个连续窄波段的光谱信息，每个像素记录了完整的光谱曲线。这种丰富的光谱信息使得我们能够区分在可见光下看起来相似但光谱特征不同的物质，在农业估产、环境监测、矿物勘探等领域发挥着重要作用。

```python import numpy as np

class ImageStructure: """ 演示不同类型图像的数据结构 """

@staticmethod def grayscale_structure(height=4, width=5): """ 灰度图像：2D矩阵 """

每个像素一个标量值

image = np.array([ [120, 130, 140, 150, 160], [110, 120, 130, 140, 150], [100, 110, 120, 130, 140], [ 90, 100, 110, 120, 130] ], dtype=np.uint8)

print("灰度图像结构:") print(f" 维度: {image.ndim}D") print(f" 形状: {image.shape} (高度×宽度)") print(f" 数据类型: {image.dtype}") print(f" 内存占用: {image.nbytes} bytes")

return image

@staticmethod def rgb_structure(height=4, width=5): """ RGB彩色图像：3D矩阵 """

每个像素三个值（RGB通道）

形状：高度×宽度×3

image = np.zeros((height, width, 3), dtype=np.uint8)

红色渐变

image[:, :, 0] = np.linspace(0, 255, width, dtype=np.uint8)

绿色渐变

image[:, :, 1] = np.linspace(128, 255, height, dtype=np.uint8).reshape(-1, 1)

蓝色固定

image[:, :, 2] = 100

print("\nRGB彩色图像结构:") print(f" 维度: {image.ndim}D") print(f" 形状: {image.shape} (高度×宽度×通道数)") print(f" 数据类型: {image.dtype}") print(f" 内存占用: {image.nbytes} bytes")

return image

@staticmethod def binary_structure(height=4, width=5): """ 二值图像：逻辑数组 """ image = np.array([ [1, 1, 0, 0, 1], [1, 0, 1, 0, 1], [0, 1, 1, 1, 0], [1, 0, 1, 0, 1] ], dtype=np.uint8)

print("\n二值图像结构:") print(f" 维度: {image.ndim}D") print(f" 形状: {image.shape}") print(f" 唯一值: {np.unique(image)}") print(f" 内存占用: {image.nbytes} bytes")

return image

运行示例

structure_demo = ImageStructure() gray_img = structure_demo.grayscale_structure() rgb_img = structure_demo.rgb_structure() binary_img = structure_demo.binary_structure() ```

1.3 色彩空间理论 | Color Space Theory

1.3.1 RGB色彩空间 | RGB Color Space

RGB色彩空间是数字图像处理中最基础、最常用的色彩表示方式。其理论基础是颜色加法混色原理：红、绿、蓝三种基色光以不同强度叠加，可以产生人眼能够感知的大多数颜色。这一原理与人类视觉系统中三类视锥细胞的工作方式高度契合，为RGB色彩空间的广泛应用提供了生物学基础。

在RGB色彩空间中，任意颜色$\mathbf{c}$可以表示为三个基色的线性组合：

$$\mathbf{c} = R \cdot \mathbf{R} + G \cdot \mathbf{G} + B \cdot \mathbf{B}$$

其中，$R, G, B \in [0, 1]$分别表示红、绿、蓝三个通道的强度归一化值。在8位表示中，这些值被映射到$[0, 255]$的整数范围。从几何角度来看，RGB色彩空间可以理解为一个单位立方体，原点$(0, 0, 0)$代表黑色，对角顶点$(255, 255, 255)$代表白色，而三个坐标轴分别代表纯红$(255, 0, 0)$、纯绿$(0, 255, 0)$和纯蓝$(0, 0, 255)$。

然而，RGB色彩空间也存在明显的局限性。首先，RGB空间中两种不同颜色之间的欧氏距离并不能准确反映人眼对颜色差异的感知程度，这被称为色差感知的不一致性。其次，RGB色彩空间与人的视觉感知概念（如色相、饱和度、亮度）缺乏直接的对应关系，这使得基于视觉感知的图像处理操作在RGB空间中进行时往往不够直观。

```python import numpy as np import cv2

class RGBSpaceOperations: """ RGB色彩空间的基本操作 """

@staticmethod def color_distance(c1, c2): """ 计算两个RGB颜色之间的欧氏距离 注意：这种简单的欧氏距离并不完全符合人眼感知 """ return np.sqrt(np.sum((np.array(c1) - np.array(c2))**2))

@staticmethod def rgb_to_grayscale(rgb_image): """ RGB转灰度 - 使用标准亮度公式 Y = 0.299*R + 0.587*G + 0.114*B """ if rgb_image.ndim != 3 or rgb_image.shape[2] != 3: raise ValueError("输入必须是RGB图像")

r, g, b = rgb_image[:, :, 0], rgb_image[:, :, 1], rgb_image[:, :, 2] gray = 0.299 * r + 0.587 * g + 0.114 * b

return gray.astype(np.uint8)

@staticmethod def color_mixing_example(): """ 颜色加法混色示例 """

定义三种基色

red = np.array([255, 0, 0]) green = np.array([0, 255, 0]) blue = np.array([0, 0, 255])

混合结果

cyan = red + green # [255, 255, 0] magenta = red + blue # [255, 0, 255] yellow = green + blue # [0, 255, 255] white = red + green + blue # [255, 255, 255]

print("RGB颜色加法混色:") print(f" 红色 + 绿色 = {cyan} (青色)") print(f" 红色 + 蓝色 = {magenta} (品红)") print(f" 绿色 + 蓝色 = {yellow} (黄色)") print(f" 三色混合 = {white} (白色)")

return { 'red': red, 'green': green, 'blue': blue, 'cyan': cyan, 'magenta': magenta, 'yellow': yellow, 'white': white }

演示

rgb_ops = RGBSpaceOperations() colors = rgb_ops.color_mixing_example()

测试距离计算

dist_red_yellow = rgb_ops.color_distance(colors['red'], colors['yellow']) dist_red_blue = rgb_ops.color_distance(colors['red'], colors['blue'])

print(f"\n颜色