数字图像基础——图像和数字图像
一、基础概念
1.图像本质定义
- “图”:物体反射、透射光线在空间的客观物理分布;
- “像”:人眼接收光信号后,在大脑中形成的主观感知与解读;
- 视觉数据占比:人类获取外界信息83% 来自视觉,是机器视觉研究的核心依据;
- 成像本质区别
- 人眼成像 = 客观光信号 + 人脑主观修正;
- 相机 / 工业相机成像 = 纯客观光强采集,无主观偏差,适合机器检测。
2.广义图像范围
所有可被可视化的物理信号都属于图像:
日常照片、绘画、X 光片、B 超超声图、MRI 脑部核磁、心电图、红外热成像、雷达扫描图、卫星云图。
3.模拟图像、数字图像
(1)模拟图像(连续图像)
数学表达式:f(x,y)f(x,y)f(x,y)
(x、y)(x、y)(x、y):空间坐标,可以取任意实数;
fff:坐标点亮度 / 灰度 / 色度,连续不间断;
局限性:无法直接存入计算机、无法做算法运算。
(2)数字图像(离散图像)
数学表达式:I(r,c)I(r,c)I(r,c)
rrr= 行号、ccc= 列号、III= 像素灰度值,全部为整数;
本质:二维整数矩阵,计算机以数组形式存储、处理;
示例灰度图像矩阵:
二、数字图像六大分类
1.二值图像(黑白图像)
- 像素仅两个取值:
0=黑色、1=白色,无任何灰度过渡; - 矩阵示例:
- 机器视觉用途:轮廓提取、ROI 掩码、二维码 / 条码识别、工件有无判断、形态学腐蚀膨胀操作。
2.灰度图像(单通道图像)
取值范围:8bit 标准 0 ~ 255
- 0 = 纯黑,255 = 纯白,中间数值为连续过渡灰色;
存储:仅 1 个二维矩阵,占用内存小;
矩阵示例:
机器视觉用途:缺陷检测、边缘检测、尺寸测量、模板匹配,工业项目最常用格式。
3.RGB 真彩色图像(三通道图像)
构成:R 红、G 绿、B 蓝三个独立灰度通道叠加,每个通道都是 0~255 灰度图;
存储结构:三维数组
高度×宽度×3;矩阵示例:
常见色彩位深规格:
模式 位分配 可表达总颜色数 256 色 B:2bit G:3bit R:3bit 256 高彩色 16bit B:5bit G:6bit R:5bit 65536 真彩色 24bit R/G/B 各 8bit 约 1670 万 用途:颜色分选、色差检测、外观颜色判定。
4.索引图像
- 原理:图像矩阵只存调色板索引号,通过索引查表(colormap)获取真实 RGB 值;
- 优点:大幅压缩文件体积;
- 用途:GIF 动图、嵌入式低算力设备、老旧图片格式。
5.伪彩色图像
- 原理:将灰度值映射为不同颜色,人为上色;
- 用途:红外图、热力图、医学影像可视化,增强人眼辨识度。
6.三维图像
- 表达空间高度信息(3D 点云、曲面高度矩阵);
- 用途:3D 机器视觉、高度差检测、体积测量、平整度检测。
三、其他分类维度(补充)
- 按存在形式
- 可见图像:可见光照片、图纸;
- 不可见物理图像:红外、雷达、超声、X 光、MRI 核磁。
- 按时间维度
- 静态图像:单张图片;
- 动态图像:视频帧序列(连续多张图像)。
- 按空间维度
- 二维平面图像;三维深度图像。
MATLAB 实操代码
1.图像基础读取与显示
% 读取彩色图片 I = imread('lenac.bmp'); % 窗口显示图像 imshow(I);2.彩色图转为灰度图
I = imread('lenac.bmp'); G = rgb2gray(I); % 转换公式:Y = 0.299R + 0.587G + 0.114B imshow(G); imwrite(G,'lenag.bmp'); % 保存灰度图3.灰度 / 彩色图转为二值黑白图
I = imread('lenac.bmp'); G = rgb2gray(I); BW = im2bw(G); % 阈值分割得到二值图 imwrite(BW,'lena_bw.bmp');4.图像数据类型查看
whos % 查看矩阵维度、字节、数据类型 % I: 256×256×3 uint8 彩色图 % G: 256×256 uint8 灰度图 % BW:256×256 logical 二值图5.MRI 多帧索引图像读取(三维序列图像)
load mri; % 载入脑部核磁多帧数据 imshow(D(:,:,7),map); % 显示第7帧单张切片 figure,montage(D,map) % 一窗口拼接所有切片注意
- 二值图只有 0 和 1,灰度图是 0~255 连续值,不要混淆;
- 灰度图单通道计算量最小,工业检测优先选用;RGB 三通道适合颜色检测;
rgb2gray加权公式是人眼视觉敏感度加权,不是简单平均值;- 索引图像靠颜色表映射,本身不直接存储 RGB 数值;
- MRI 多帧图像属于 4 维数组,对应三维空间切片,是 3D 视觉基础案例。