机器学习与深度学习 / 系统课时

图像如何表示

图像如何表示

计算机不会直接理解“猫”或“道路”,它接收的是按位置排列的数值。本课将从像素、通道和分辨率出发,把一张图像还原为数组与张量,并说明形状顺序为何会影响模型输入。

学习目标

  • 解释像素、分辨率和颜色通道的含义
  • 读懂灰度图与 RGB 图像的张量形状
  • 估算未压缩图像的数据规模

从像素到张量

像素与分辨率

像素是数字图像的最小采样单元。分辨率为 640×480640\times480 表示横向有 640 个像素、纵向有 480 个像素,共 307200 个位置。分辨率越高,通常能保留更多细节,但存储和计算成本也随之增加。

单通道 8 位灰度图通常以 0 表示黑、255 表示白,中间是灰阶编码值。该数值与物理亮度之间的关系取决于编码和色彩管理。

颜色通道

RGB 图像为每个位置保存红、绿、蓝三个通道。例如像素 (255, 0, 0) 表示纯红色,(255, 255, 255) 表示白色。三个通道共同编码同一空间位置的颜色。

RGB 图像到张量的表示

张量形状

一张 RGB 图像常表示为三维张量。常见布局有 (高度, 宽度, 通道) 和 (通道, 高度, 宽度)。两种布局表达同样数据,但框架接口要求可能不同,输入前必须核对维度顺序。

加入批次后,形状会再增加一维。例如 32 张高 224、宽 224 的 RGB 图像,可表示为 (32, 224, 224, 3)。第一维是批次大小,不属于单张图像内容。

用 NumPy 核对轴和像素

下面是一张高 2、宽 4 的合成图。NumPy 的转轴让 HWC 和 CHW 表达同一像素,不能只靠 reshape 改轴。这里用不等高宽和角落的红色像素快速核对。

python
import numpy as np

rgb = np.zeros((2, 4, 3), dtype=np.uint8)
rgb[1, 3] = [255, 0, 0]
chw = rgb.transpose(2, 0, 1)
print("HWC:", rgb.shape, "CHW:", chw.shape)
print("同一像素:", chw[:, 1, 3].tolist())
print("uint8 字节:", rgb.nbytes, "float32 字节:", rgb.astype(np.float32).nbytes)

输出分别给出 (2, 4, 3)、(3, 2, 4),并确认同一个像素是 [255, 0, 0]。uint8 元素各 1 字节,float32 各 4 字节,示例的有效像素数据为 24 与 96 字节。转轴返回的视图可能与原数组共享存储,nbytes 不代表额外分配量。

数据规模与常见边界

未压缩 8 位 RGB 图像的字节数约为:

字节数=宽度×高度×3\text{字节数}=\text{宽度}\times\text{高度}\times3

一张 1920×1080 的 RGB 图约占 6220800 字节,约 5.93 MiB。这是紧密排列的原始像素数据量。文件大小还受压缩、头部和元数据影响,解码后若增加 Alpha、转浮点或产生临时副本,内存占用也会变化。

颜色值范围不一定总是 0 到 255。预处理后可能转换为 0 到 1,或进一步标准化为包含负数的浮点值。读取图像时还要注意 RGB/BGR、是否有 Alpha、色彩配置和 EXIF 方向。若解码库未按 EXIF 旋转或翻转像素,原始数组的宽高和肉眼看到的构图可能不同。下一课把这些约定写入预处理。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

图像如何表示

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通