计算机视觉
快来分享你的内容吧～
09-17 13:37·后端开发数字图像的存储方式 数字图像在计算机中本质是一个二维矩阵（数组），矩阵的每个元素称为像素（Pixel），像素值用二进制表示。存储时通常包含两部分： 像素数据：按位深（bit depth）编码的像素值矩阵 元数据：宽、高、通道数、位深、颜色空间、压缩方式等（如 BMP/PNG/JPEG 文件头） 位深决定每个像素能表达的信息量：8 位可表示 $2^8=256$ 个值，24 位可表示 $2^{24}\查看全文加油鸭：太清晰了！这份图像存储原理总结既专业又易懂，位深、通道与数据量的关系一目了然，为你扎实的梳理能力点赞！231分享- 09-16 15:48·后端开发
数字图像在计算机中如何存储？灰度图、RGB 彩色图、二值图分别有什么特点？
## 数字图像的存储方式 数字图像在计算机中本质是一个**二维矩阵**（数组），矩阵的每个元素称为**像素（Pixel）**，像素值用二进制表示。存储时通常包含两部分： - **像素数据**：按位深（bit depth）编码的像素值矩阵 - **元数据**：宽、高、通道数、位深、颜色空间、压缩方式等（如 BMP/PNG/JPEG 文件头） **位深**决定每个像素能表达的信息量：8 位可表示 $2^8=256$ 个值，24 位可表示 $2^{24}\approx 1677$ 万种颜色。 ## 三种图像的特点对比 | 类型 | 通道数 | 每像素位数 | 像素值范围 | 数据量（同尺寸） | |------|--------|-----------|-----------|-----------------| | 二值图 | 1 | 1 bit | 0 或 1 | 最小 | | 灰度图 | 1 | 8 bit | 0~255 | 中等 | | RGB 彩色图 | 3 | 24 bit | 每通道 0~255 | 最大（灰度图的 3 倍） | **灰度图** - 单通道，一个像素值同时表示亮度，0 为纯黑、255 为纯白，中间为灰阶 - 丢失颜色信息，但保留了亮度/纹理/边缘结构 - 常用于边缘检测、形态学处理、OCR 等不依赖颜色的任务 **RGB 彩色图** - 三通道，每个像素由 R（红）、G（绿）、B（蓝）三个分量叠加而成 - 符合显示器硬件（三色荧光/子像素）和人类视觉的加色模型 - 信息最丰富，但存储和计算开销最大；实际存储时常配合压缩（如 JPEG 有损、PNG 无损）来减小体积 **二值图** - 每个像素只有两个取值（通常记 0/1，显示时常用 0/255） - 数据量最小，适合表示掩膜（mask）、文字轮廓、分割结果 - 常由灰度图经阈值分割（如 Otsu）得到，是形态学操作（膨胀、腐蚀）的主要输入 **补充**：三者可以互相转换——彩色图去色得灰度图，灰度图阈值化得二值图；反之二值图/灰度图无法恢复丢失的颜色信息。
均值滤波、高斯滤波、中值滤波的原理与适用场景有何不同？
# 均值滤波、高斯滤波、中值滤波对比 三者都是**空间域滤波**（用邻域像素计算中心像素的新值），但原理和效果差异很大。 --- ## 1. 均值滤波（Mean Filter） **原理**：取邻域内所有像素的**算术平均**作为中心像素的新值。 $$g(x,y) = \frac{1}{m \times n} \sum_{(i,j) \in S} f(i,j)$$ **特点** - 线性滤波，实现最简单、速度最快 - 对**高斯噪声**有一定平滑作用 - 缺点：对**离群点（脉冲噪声）**敏感——一个极端值会拉偏整个邻域的平均值 - 边缘被严重模糊（边缘两侧像素被平均混合） **适用场景**：对噪声不敏感、追求速度的简单平滑；图像预处理中的粗略降噪。 --- ## 2. 高斯滤波（Gaussian Filter） **原理**：邻域内像素**加权平均**，权重服从二维高斯分布，**中心权重最大、越远越小**。 $$G(x,y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}}$$ **特点** - 线性滤波，是均值滤波的"加权改进版" - 权重平滑过渡，不会像均值滤波那样产生生硬的块状效应 - 对**高斯噪声**效果最好（高斯噪声在统计上最匹配高斯核） - 相比均值滤波，**边缘保留更好**（中心像素权重高，受远处像素影响小），但仍会模糊边缘 - 计算量略大于均值滤波 **适用场景**：高斯噪声去除；**边缘检测前的预处理**（如 Canny 的第一步）；尺度空间构建（高斯金字塔）；图像模糊/美颜。 --- ## 3. 中值滤波（Median Filter） **原理**：取邻域内所有像素的**中位数**作为中心像素的新值（非线性滤波）。 **特点** - **非线性滤波**，不涉及加权求和 - 对**椒盐噪声（脉冲噪声）效果极佳**——极端值（0 或 255）不会影响中位数 - **能很好地保留边缘**：边缘两侧像素值差异大时，中位数会落在其中一侧，不会像线性滤波那样把两侧"混合"成过渡带 - 缺点：对高斯噪声效果一般；计算量较大（需要排序）；邻域过大时可能产生"阶梯效应" **适用场景**：椒盐噪声去除（如老照片扫描、传感器故障图像）；需要**保边降噪**的场景；医学图像、文档图像预处理。 --- ## 对比总结 | 维度 | 均值滤波 | 高斯滤波 | 中值滤波 | |------|---------|---------|---------| | 类型 | 线性 | 线性 | **非线性** | | 权重 | 等权平均 | 高斯加权 | 取中位数 | | 高斯噪声 | 一般 | **最好** | 一般 | | 椒盐噪声 | 差（被拉偏） | 差 | **最好** | | 边缘保留 | 差 | 中 | **好** | | 计算复杂度 | 最低 | 中 | 较高（需排序） | | 典型场景 | 快速粗略平滑 | 高斯去噪、边缘检测预处理 | 椒盐去噪、保边降噪 | ## 一句话总结 > **均值滤波**是"平均一下"（简单但糊边、怕离群点），**高斯滤波**是"按距离加权平均"（去高斯噪声最优、边缘稍好），**中值滤波**是"取中间值"（专治椒盐噪声、最能保边）。 --- ## 纯 Python 实现示例（无第三方依赖） ````python def median_filter(pixels, width, height, k=3): """中值滤波：对灰度图（pixels 为二维列表）做 k×k 中值滤波""" pad = k // 2 result = [[0] * width for _ in range(height)] for y in range(height): for x in range(width): window = [] for dy in range(-pad, pad + 1): for dx in range(-pad, pad + 1): ny, nx = y + dy, x + dx # 边界处理：越界时取最近的有效像素（复制边缘） ny = max(0, min(height - 1, ny)) nx = max(0, min(width - 1, nx)) window.append(pixels[ny][nx]) window.sort() result[y][x] = window[len(window) // 2] return result ```` **面试高频追问**：为什么中值滤波能保留边缘而均值不能？——均值滤波把边缘两侧的像素**混合平均**，产生过渡带（模糊）；中值滤波取的是排序后的**中间值**，只要窗口内一侧像素占多数，中位数就落在该侧，边缘被完整保留。这也是中值滤波被称为"保边滤波器"的原因。
openCV
**在图像增强中，得到边缘锐化、对比度增强的图像，下列说法正确的是（ ）**
openCV
**关于均值滤波下列说法正确的是（ ）**