数字图像基础
从光的形成到像素矩阵 · 取样量化、分辨率、内插、邻域邻接连通性与 D4/D8/Dm 距离度量。
🎯学习目标
- 理解数字图像的定义、形成模型（照度×反射）与表示方法；
- 掌握图像取样与量化的概念，以及空间分辨率、灰度分辨率；
- 理解图像内插（最近邻、双线性）及其应用；
- 掌握像素间的邻域（4/D/8）、邻接（4/8/m）、通路、连通、区域与边界；
- 熟练计算欧氏距离、D4（城市街区）、D8（棋盘）距离；
- 理解直方图、概率统计量（均值、方差）等数学工具。
1什么是数字图像
图像可定义为一个二维函数 $f(x,y)$，其中 $x, y$ 是空间平面坐标，在任一坐标处的幅值 $f$ 称为图像在该点的强度或灰度。
- 单色（灰度）图像：每个像素亮度用一个数值表示，通常 0~255，0 为黑、255 为白，中间为灰度。
- 彩色图像：用红、绿、蓝三元组的二维矩阵表示，每个分量也在 0~255 之间，0 表示该基色不存在，255 表示取最大值。
- 像素的二维排列可用矩阵表示。
数字图像就是一张"数字表格"
想象一个 Excel 表格：
- 每个格子存一个数字（0-255）
- 0 = 黑色，255 = 白色，中间 = 灰色
- 这个表格就是"灰度图像"
彩色图像就是三个这样的表格叠在一起：
- 一个存红色（R）
- 一个存绿色（G）
- 一个存蓝色（B）
比如一张 100×100 的彩色图片 = 3 × 100 × 100 = 30000 个数字
数字图像处理的起源与应用
| 方向 | 典型任务 |
|---|---|
| 人类分析（增强/复原） | 图像传输后复原、空间应用增强、医学图像；增强或复原模糊/损毁的图像 |
| 机器感知 | OCR 字符识别、人脸识别、指纹/生物特征识别 |
| 最新领域 | 数码相机/摄像机、基于内容的图像/视频检索、水印、电影特技、VR、文生图、文生视频 |
把图像想象成乐高积木：
- 每个积木块 = 一个像素
- 积木块的颜色 = 像素的灰度值
- 积木块越多 = 图像越清晰
分辨率就是"有多少个积木块"：
- 100×100 = 1万个像素（很模糊）
- 1920×1080 ≈ 200万个像素（高清）
- 4K = 约800万个像素（超清）
为什么灰度是 0-255？
- 计算机用 8 位二进制存储
- 8 位能表示 2^8 = 256 个数（0 到 255）
- 0 = 最暗（纯黑），255 = 最亮（纯白）
彩色图像的存储：
- 每个像素需要 3 个数字（R, G, B）
- 每个分量都是 0-255
- 所以一个像素 = 3 字节
- 一张 1920×1080 彩色图 = 1920 × 1080 × 3 ≈ 6MB
核心意思：
数字图像就是一张"数字表格"，每个格子存一个数字，代表这个位置有多亮。
举个例子：
一张 4×4 的灰度图像就是这样一个表格：
列0 列1 列2 列3
行0 100 120 130 110
行1 115 125 135 120
行2 130 140 150 140
行3 125 135 145 135
每个数字代表这个位置的亮度：
- 0 = 纯黑
- 255 = 纯白
- 中间的数字 = 不同程度的灰色
彩色图像就是三个这样的表格叠在一起：
- 一个存红色（R）
- 一个存绿色（G）
- 一个存蓝色（B）
比如像素 (0,0) 的颜色是 (200, 100, 50)：
- 红色分量 = 200（比较红）
- 绿色分量 = 100（有点绿）
- 蓝色分量 = 50（不太蓝）
- 合起来 = 橙色
生活类比：
就像乐高积木，每个积木块就是一个像素，积木块的颜色就是像素的灰度值，积木块越多，图像越清晰。
为什么这样设计：
因为计算机用 8 位二进制存储，8 位能表示 2^8 = 256 个数（0 到 255），这样存储最高效。
2简单的图像形成模型
坐标处的幅值满足 $0 < f(x,y) < \infty$，可由两个分量表征：
$$f(x,y) = i(x,y) \cdot r(x,y)$$
$$i(x,y) \text{ —— 入射分量（光源照射到场景的总量）}, \quad 0 < i(x,y) < \infty$$
$$r(x,y) \text{ —— 反射分量（物体反射光的总量）}, \quad 0 < r(x,y) < 1$$
单色图像在 $(x_0, y_0)$ 处的强度 $l = f(x_0, y_0)$，且 $L_{\min} \leq l \leq L_{\max}$。区间 $[L_{\min}, L_{\max}]$ 称为灰度级，通常移位为 $[0, L-1]$：$l=0$ 为黑色，$l=L-1$ 为白色。
图像 = 灯光 × 物体反射
为什么同一张照片里：
- 白墙看起来亮？→ 反射率高（r 大）
- 黑衣服看起来暗？→ 反射率低（r 小）
- 阴影处暗？→ 灯光弱（i 小）
公式 f = i × r 就是说：
亮度 = 有多少光照过来 × 物体反射多少光
相机拍照的物理过程：
- 光源发出光（太阳、灯）
- 光照到物体上
- 物体反射一部分光
- 反射的光进入相机
- 相机记录下来 = 照片
公式 f = i × r 的实际意义：
场景1：白天拍白墙
- i（阳光）= 100（很强）
- r（白墙反射）= 0.9（反射90%）
- f = 100 × 0.9 = 90（很亮）
场景2：白天拍黑衣服
- i（阳光）= 100（很强）
- r（黑衣服反射）= 0.1（反射10%）
- f = 100 × 0.1 = 10（很暗）
场景3：晚上拍白墙
- i（月光）= 10（很弱）
- r（白墙反射）= 0.9（反射90%）
- f = 10 × 0.9 = 9（比较暗）
所以：照片亮度 = 光源强度 × 物体反射率
核心意思：
图像的亮度 = 有多少光照过来 × 物体反射多少光
举个例子：
拍一张照片，里面有白墙、黑衣服、阴影：
位置 光源强度(i) 反射率(r) 亮度(f=i×r)
白墙阳光 100 0.9 90（很亮）
黑衣服 100 0.1 10（很暗）
阴影白墙 30 0.9 27（较暗）
所以：
- 白墙亮是因为反射率高（r=0.9）
- 黑衣服暗是因为反射率低（r=0.1）
- 阴影暗是因为光照弱（i=30）
生活类比：
就像你用手电筒照不同颜色的纸：白纸反射大部分光 → 看起来亮；黑纸吸收大部分光 → 看起来暗；同一张纸，手电筒越亮，纸看起来越亮。
为什么这样设计：
因为很多图像处理算法都需要分离"光照"和"反射"这两个因素，比如图像增强、去阴影等。
3图像取样与量化 ⭐
把传感器获取的连续图像变成数字图像，需要两个离散化过程：
取样 Sampling
对坐标值 (x,y) 进行离散数字化 —— 把 xy 平面分成网格。
量化 Quantization
对幅值 f 进行离散数字化 —— 把灰度分成有限级。
数字图像的表示
表示为 $M \times N$ 的数字阵列，每个元素是一个像素。出于存储与硬件考虑，灰度级数通常取 2 的整数次幂：
$$\text{灰度区间 } [0, L-1], \quad L = 2^k \quad (k \text{ 为量化比特数})$$
$$\text{存储所需比特数 } b = M \times N \times k$$
取样 = 拍照，量化 = 四舍五入
取样就像用手机拍照：
- 连续的现实世界 → 变成一个个像素点
- 就像把一幅画分成很多小格子
量化就像给每个格子打分：
- 从 0（纯黑）到 255（纯白）
- 只能用整数，不能用 0.5 这种
- 就像考试成绩只有整数分
为什么用 2 的幂（256=28）？
- 计算机用二进制，2 的幂最方便存储
取样（Sampling）= 决定"拍多少个点"
- 就像决定用多少个格子覆盖画面
- 格子越多 = 分辨率越高 = 图像越清晰
- 格子越少 = 分辨率越低 = 图像越模糊
量化（Quantization）= 决定"每个点用多少级灰度"
- 就像决定用多少个灰度等级
- 256级（8位）= 灰度变化很平滑
- 2级（1位）= 只有纯黑和纯白（黑白图）
举例：
- 取样：把图像分成 100×100 的网格
- 量化：每个格子用 0-255 的数字表示亮度
常见误区：
- 取样不是"裁剪"，是"网格化"
- 量化不是"四舍五入"，是"分级"
为什么用 2 的幂？
- 计算机用二进制
- 8位 = 256级，16位 = 65536级
- 这样存储和计算最高效
核心意思：
取样 = 决定"拍多少个点"，量化 = 决定"每个点用多少级灰度"
举个例子：
把一个连续的图像变成数字图像，需要两步：
第一步：取样（网格化）
把图像分成 4×4 的网格：
原始连续图像 → 16 个采样点
第二步：量化（分级）
每个采样点用 0-255 的数字表示亮度：
采样点(0,0) → 亮度 100
采样点(0,1) → 亮度 120
...
对比：
取样率 量化级数 效果
100×100 256级 小图，灰度平滑
100×100 2级 小图，黑白分明
1000×1000 256级 大图，灰度平滑
1000×1000 2级 大图，黑白分明
生活类比：
取样就像用手机拍照，决定用多少像素；量化就像给照片打分，决定用多少个等级。
为什么这样设计：
因为计算机用二进制，8 位 = 256 级，16 位 = 65536 级，这样存储和计算最高效。
4空间分辨率与灰度分辨率
| 类型 | 含义 | 度量 |
|---|---|---|
| 空间分辨率 | 图像中可分辨的最小细节 | 单位距离的线对数 / 像素数（如 dpi 每英寸点数：1250/300/150/72 dpi） |
| 灰度分辨率 | 灰度级中可分辨的最小变化 | 量化灰度所用比特数（如 8/12/16 bit） |
核心意思：
空间分辨率 = 图像有多少个像素点，灰度分辨率 = 每个像素点用多少级灰度
举个例子：
两幅图像对比：
图像A：100×100像素，256级灰度
- 总像素：10,000个
- 灰度范围：0-255
- 效果：小图，灰度平滑
图像B：1000×1000像素，2级灰度
- 总像素：1,000,000个
- 灰度范围：只有0和255
- 效果：大图，但只有黑白两色
图像C：1000×1000像素，256级灰度
- 总像素：1,000,000个
- 灰度范围：0-255
- 效果：大图，灰度平滑（最佳）
存储计算：
- 图像A：100×100×8位 = 80,000位 = 10KB
- 图像B：1000×1000×1位 = 1,000,000位 = 125KB
- 图像C：1000×1000×8位 = 8,000,000位 = 1MB
生活类比：
- 空间分辨率：像照片的"尺寸"（5寸、7寸、10寸）
- 灰度分辨率：像照片的"色彩细腻程度"
- dpi（每英寸点数）：像打印精度（300dpi比72dpi清晰）
为什么灰度通常用256级（8位）？
因为8位二进制刚好能表示256个数，存储和计算最高效。再少（如128级）会出现伪轮廓，再多（如512级）人眼分辨不出差别。
5图像内插（重取样）
内插：使用已知数据估计未知值，用于放大、收缩、旋转、几何校正等（增加或减少像素数量），也叫图像重取样。
最近邻内插
Nearest Neighbor双线性内插
Bilinear$$\text{双线性内插（插值点 } (i+u, j+v), \ u,v \in [0,1] \text{）：}$$
$$g_A = f(i,j) + [f(i,j+1) - f(i,j)] \cdot v$$
$$g_B = f(i+1,j) + [f(i+1,j+1) - f(i+1,j)] \cdot v$$
$$g(i+u, j+v) = g_A + (g_B - g_A) \cdot u$$
核心意思：
内插 = 根据已知像素估算未知像素的值，用于放大/缩小图像
举个例子：
把2×2图像放大到4×4：
原始图像（2×2）：
100 200
150 250
最近邻内插：
- 找最近的像素，直接复制
- 结果：会出现"马赛克"（锯齿）
100 100 200 200
100 100 200 200
150 150 250 250
150 150 250 250
双线性内插：
- 用周围4个像素加权平均
- 结果：更平滑，但有点模糊
100 125 175 200
125 150 200 225
150 175 225 250
150 175 225 250
对比：
方法 效果 速度 适用场景
最近邻 有锯齿 最快 实时处理
双线性 平滑 中等 一般用途
双三次 最平滑 最慢 高质量需求
生活类比：
- 最近邻：像把小照片直接放大，能看到像素块
- 双线性：像用模糊滤镜放大，边缘更平滑
- 双三次：像专业软件放大，质量最好
为什么需要内插？
因为图像放大时，新像素位置没有对应的原始像素，需要根据周围像素估算。
6像素间的基本关系 ⭐
相邻像素：4 邻域、D 邻域、8 邻域
| 邻域 | 坐标集合 |
|---|---|
| N4(p) | (x+1,y), (x-1,y), (x,y+1), (x,y-1) |
| ND(p) | (x+1,y+1), (x+1,y-1), (x-1,y+1), (x-1,y-1) |
| N8(p) | N4(p) ∪ ND(p)，共 8 个 |
邻接性、通路、连通、区域与边界
令 V 为定义邻接性的灰度值集合：
- 4 邻接：p、q 灰度都在 V 中，且 q 在 N4(p) 中；
- 8 邻接：p、q 灰度都在 V 中，且 q 在 N8(p) 中；
- m 邻接（混合邻接）：p、q 灰度都在 V 中，且满足 ① q 在 N4(p) 中，或 ② q 在 ND(p) 中且 N4(p)∩N4(q) 中没有 V 中的像素。
m 邻接用于消除 8 邻接带来的多通路二义性。
想象你站在一个像素上，看看周围有谁：
4邻域（N4）= 上下左右
- 只看直接相邻的4个像素
- 就像你在十字路口，只能看前后左右
D邻域（ND）= 对角线
- 只看4个对角的像素
- 就像你看四个角落
8邻域（N8）= 全部邻居
- 4邻域 + D邻域 = 8个像素
- 就像你在九宫格中心，看周围8格
邻接性 = "谁和谁连着"
4邻接：只和上下左右连着
- 就像只能横竖走
8邻接：和周围8个都连着
- 就像可以横竖斜走
m邻接（混合邻接）= 消除歧义
- 8邻接会有"多条路"的问题
- m邻接加了限制，确保"只有一条路"
- 就像规定"斜着走必须先横竖走一步"
为什么需要m邻接？
- 8邻接可能导致"连通区域计数"出错
- m邻接让连通关系更明确
核心意思：
像素的"邻居"有三种：上下左右、对角线、全部八个方向
举个例子：
站在像素 P 的位置，看看周围有谁：
N4（4邻域）= 上下左右
[ ] [↑] [ ]
[←] [P] [→]
[ ] [↓] [ ]
ND（D邻域）= 对角线
[↖] [ ] [↗]
[ ] [P] [ ]
[↙] [ ] [↘]
N8（8邻域）= 全部邻居
[↖] [↑] [↗]
[←] [P] [→]
[↙] [↓] [↘]
邻接性 = "谁和谁连着"
- 4邻接：只和上下左右连着
- 8邻接：和周围8个都连着
- m邻接：消除歧义的特殊规则
为什么需要m邻接？
8邻接会导致"多条路径"的问题，m邻接加了限制，确保"只有一条路径"。
生活类比：
4邻接像只能横竖走；8邻接像可以横竖斜走；m邻接像规定"斜着走必须先横竖走一步"。
为什么这样设计：
因为不同的邻接方式适用于不同的图像处理任务，m邻接是为了消除8邻接带来的多通路二义性。
核心意思：
通路 = 从一个像素走到另一个像素的路径，连通 = 两个像素之间有通路
举个例子：
二值图像（1=白，0=黑）：
1 1 0 1 1
1 0 0 0 1
0 0 1 1 1
1 1 1 0 0
1 0 0 0 1
4邻接通路（只能横竖走）：
从(0,0)到(2,2)：
(0,0)→(0,1)→(1,1)→(2,1)→(2,2)
但(1,1)是0（黑），走不通！
所以(0,0)和(2,2)在4邻接下不连通
8邻接通路（可以横竖斜走）：
从(0,0)到(2,2)：
(0,0)→(1,1)→(2,2)
虽然(1,1)是0，但8邻接可以斜着走
所以(0,0)和(2,2)在8邻接下连通
连通区域：
4邻接：白色像素分成多个小区域
8邻接：白色像素连成一大片
边界：
区域的外缘像素就是边界
就像国家的边境线
生活类比：
- 4邻接：像只能横竖走的车
- 8邻接：像可以横竖斜走的人
- 连通区域：像一片连续的湖泊
- 边界：像湖泊的岸边
为什么需要m邻接？
因为8邻接会导致"多条路径"的问题，让连通区域计数出错。m邻接通过附加条件消除了这种歧义。
7距离度量 ⭐（必考）
距离函数 $D$ 须满足：① $D(p,q) \geq 0$（$p=q$ 时为 0）；② $D(p,q)=D(q,p)$（对称）；③ $D(p,z) \leq D(p,q)+D(q,z)$（三角不等式）。设 $p(x,y)$、$q(u,v)$：
| 距离 | 公式 | 等距轮廓 |
|---|---|---|
| 欧氏距离 $D_e$ | $\sqrt{(x-u)^2 + (y-v)^2}$ | 圆 |
| D4（城市街区/曼哈顿） | $|x-u| + |y-v|$ | 菱形 |
| D8（棋盘） | $\max(|x-u|, |y-v|)$ | 正方形 |
三种距离 = 三种走路方式
假设你要从 A 点走到 B 点：
欧氏距离（De）：
- 直线走过去（最短路径）
- 像鸟飞过去
D4 城市街区距离：
- 只能横着走或竖着走（不能斜着走）
- 像在城市街区走路，要绕过建筑物
D8 棋盘距离：
- 可以横、竖、斜着走
- 像国际象棋里的国王走法
举例：从 (0,0) 到 (3,4)
- De = 5（直线距离）
- D4 = 7（横走3 + 竖走4）
- D8 = 4（斜走4步）
场景：你在一个城市里，从 A 点走到 B 点
欧氏距离（De）= 直线距离
- 像鸟一样飞过去
- 最短，但现实中往往走不了
- 公式：√(Δx² + Δy²)
D4 城市街区距离 = 横着走 + 竖着走
- 像在曼哈顿的街区走路
- 只能沿着街道走，不能穿墙
- 公式：|Δx| + |Δy|
D8 棋盘距离 = 横竖斜都能走
- 像国际象棋的国王
- 可以走对角线
- 公式：max(|Δx|, |Δy|)
数值示例：从 (0,0) 到 (3,4)
计算过程： De = √(3² + 4²) = √(9+16) = √25 = 5 D4 = |3| + |4| = 3 + 4 = 7 D8 = max(3, 4) = 4
大小关系：D8 ≤ De ≤ D4
- 棋盘距离最短（可以斜着走）
- 欧氏距离居中（直线）
- 城市街区距离最长（只能横竖走）
等距轮廓形状：
- De = 圆（所有到原点距离相等的点连成圆）
- D4 = 菱形（正方形旋转45度）
- D8 = 正方形
核心意思：
三种距离 = 三种走路方式：直线走、横竖走、斜着走
举个例子：
从 A(0,0) 走到 B(3,4)：
欧氏距离（De）= 直线距离
计算：√(3² + 4²) = √(9+16) = √25 = 5
类比：像鸟一样飞过去
D4 城市街区距离 = 横着走 + 竖着走
计算：|3| + |4| = 3 + 4 = 7
类比：像在曼哈顿街区走路，不能穿墙
D8 棋盘距离 = 横竖斜都能走
计算：max(3, 4) = 4
类比：像国际象棋的国王走法
大小关系：D8 ≤ De ≤ D4
- 棋盘距离最短（可以斜着走）
- 欧氏距离居中（直线）
- 城市街区距离最长（只能横竖走）
等距轮廓形状：
- De = 圆（所有到原点距离相等的点连成圆）
- D4 = 菱形（正方形旋转45度）
- D8 = 正方形
生活类比：
想象你在一个城市里：欧氏距离像直升机，直线飞过去；D4距离像出租车，只能沿着街道走；D8距离像国王，可以斜着走。
为什么这样设计：
因为不同的距离度量方式适用于不同的场景，比如路径规划、图像处理中的距离变换等。
8数学工具与直方图
阵列运算与线性操作
图像可用矩阵表示，阵列相乘是逐元素相乘，矩阵相乘是线性代数乘法。一个算子 H 若同时满足加性与同质性，则为线性操作：
$$H[a \cdot f_1 + b \cdot f_2] = a \cdot H[f_1] + b \cdot H[f_2] \quad \text{（线性）}$$
代数运算
| 运算 | 定义 | 应用 |
|---|---|---|
| 加法 | C(x,y)=A(x,y)+B(x,y) | 多帧平均去除叠加性噪声（g=(g₁+…+g_N)/N，噪声均值0且互不相关）、图像叠加 |
| 减法 | C(x,y)=A(x,y)-B(x,y) | 检测两幅图像差异/变化、去除不需要的叠加图案（如 DSA 血管造影） |
几何空间变换与图像配准
仿射变换可对坐标做尺度、旋转、平移、偏移；分前向映射（扫描输入像素算输出位置，可能多对一/空洞）与后向映射（扫描输出位置回算输入，更有效）。图像配准用约束点（控制点）求解 8 个系数，需至少 4 对点。
直方图与概率统计
灰度级 $r_k$ 的归一化直方图：$p(r_k)=n_k/n$（$n_k$ 为灰度 $r_k$ 的像素数，$n$ 为总像素数）。统计量：
$$\text{平均灰度（均值）} \quad m = \sum z_k \cdot p(z_k)$$
$$\text{方差} \quad \sigma^2 = \sum (z_k - m)^2 \cdot p(z_k) \quad \leftarrow \text{反映对比度}$$
⭐重点例题
解：$\Delta x=|4-1|=3$，$\Delta y=|5-1|=4$。
欧氏 $$D_e = \sqrt{3^2+4^2} = \sqrt{25} = 5$$
$$D_4$$（城市街区） $$= 3 + 4 = 7$$
$$D_8$$（棋盘） $$= \max(3,4) = 4$$
记忆：恒有 $D_8 \leq D_e \leq D_4$。
解：$L=256 \Rightarrow k=\log_2 256=8$ bit。$b=1024 \times 768 \times 8=6{,}291{,}456$ bit $\approx$ 768 KB。
🎯自测（点击展开）
取样和量化分别离散化什么？
图像形成模型 f=i·r 中 i 和 r 的取值范围？
N8(p) 怎么由 N4 和 ND 组成？各有几个像素？
D4、D8、欧氏距离的等距轮廓各是什么形状？
引入 m 邻接的目的是什么？
方差在图像里反映什么？
📝强化题库
选择题点选即时判分；填空题输入后"检查"或"显示答案"。