图像大小和分辨率。色彩的模型与模式
图像大小与分辨率
一、位图图像与矢量图形
◆在计算机中图形主要分为两类：位图图像和矢量图形。
1．位图图像
（1）概念：
◆位图图像又称栅格图像或象素图像，它使用彩色网格即像素来表现图像，每个像
素都具有特定的位置和颜色值。
（2）在处理位图图像时，你所编辑的是像素，而不是对象或形状。
（3）位图图像与分辨率有关，也就是说，它们包含固定数量的像素。因此，如果在屏幕上对它们进行缩放或以低于创建时的分辨率来打印，将丢失细节，并会出现马
赛马克或锯齿状。
（4）用途：
◆位图图像是连续色调图像，如照片或数字绘画，主要表现阴影和颜色的细微层次。
2．矢量图形
（1）概念：
◆矢量图形由矢量的数学对象所定义的直线和曲线组成，矢量根据图像的几何特性
描绘图像。
（2）在处理矢量图形时，你所编辑的是对象或形状。
（3）矢量图形与分辨率无关，也就是说，你可以将它缩放到任意尺寸，可以按任意分辨率打印，而不会遗漏细节或降低清晰度。（矢量数据和位图数据在屏幕上都是以像素显示的）（4）用途：
◆矢量图形是表现标志图形、线条图形与文字（尤其是小的文字）的最佳选择。
二、图像大小和分辨率
◆无论是印刷输出的图像，还是多媒体图像或网页图像，在制作之前，都必须首先设置图像的尺寸
和分辨率。
1．像素尺寸：
（1）概念：
◆象素尺寸是指位图图像的高度和宽度的像素数量。
（2）像素尺寸将像素作为图像的长度单位，确定了像素尺寸也就确定了图像的像素总数，从而在根本上确定了图像的品质。
2．图像分辨率
（1）概念：
◆图像分辨率是指图像中每单位打印长度上显示的像数数目，通常用像素/英寸（PPI）表示
（2）图像分辨率和像素尺寸是相互依存的，图像中的数量取决于像素尺寸，而图像分辨率控制打印像素的空间大小，分辨率高的图像比分辨率低的图像包含更多的像素，
因像素点更小。
（3）若创建的图像仅仅用于屏幕显示则保证图像的分辨为72PPI或96PPI。
（4）若创建的图像需打印输出，则必须在获取图像时设置合适的分辨率。
◆使用太低的分辨率打印图像会导致像化（输出尺寸较大、显示粗糙的像素）。
◆使用太高的分辨率（像素比输出设备能够产生的还小）会增加文件大小并降低图像的打印速
度，而且设备无法重现高分辨率图像所提供的更多细节。
3．显示器分辨率
（1）概念：
◆显示器分辨率是指显示器上每单位长度显示的像素或点的数量，通常以点/英寸（DPI）来表示。
（2）显示器分辨率取决于显示器的大小及其像素设置，大多数新型显示器的分辨率大约为96DPI，而较早的显示器的分辨率为72DPI。
（3）由于图像像素被直接转换为显示器像素，这意味着当图像分辨率比显示比显示器分辨率高时，在屏幕上显示的图像比其指定的打印尺寸大。（显示器上的一个点，就是
显示图像的一个像素）。
4．打印机分辨率：
（1）打印机分辨率是指激光打印机（包括照排机）产生的每英寸的点数（DPI）。
（2）喷墨打印机产生的是喷射状油墨点，而不是真正的点。
（3）当打印机的分辨率在300DPI——600DPI时，图像分辨率应为72PPI——150PPI；
当喷喷黑打印机的分辨率在600DPI——1200DPI时，图像分辨率应为200PPI——300PPI。
5．网频：
（1）网频是指打印灰度图像或分色时，每英寸打印机的半调单元数，网频也称屏线或线网，通常用线/英寸（LPI）表示。
（2）在打印时图像被分成一系列网点，通过改变网点的大小可在图像中产生灰度变化的视觉错觉。
6．文件大小
（1）文件大小是指图像的数字大小，度量单位是千字节（K）、兆字节（MB）或千兆字节（GB）。
（2）文件大小与图像的像素尺寸成正比。
（3）影响文件大小还有很多其它因素，如图像中的颜色数目、图层及通道的数目也影响文件大小。
（4）Photoshop的最大文件大小为2GB，最大像素尺寸为30,00*30,000像素。
色彩的模式
◆颜色模式主要用于确定图像中显示的颜色数量，另外还影响图像中默认颜色通道的数量和图
像的文件大小。
◆每个photoshop图像都有一个或多个通道。（颜色通道），每个通道中都存储着关于图像色素
的信息，图像中的默认颜色通道数取决于图像的颜色模式。
◆位深度也称为像素深度或颜色深度，位深度主要是用来度量在图像中使用多少颜色信息来显
示或打印像素，位深度越大图像中的颜色表示就越多，也越精确。
◆1位深度的像素有2种（2的1次方）颜色信息：黑和白。
◆8位深度的像素有28或256种（2的8次方）可能的值。
◆24位深度的像素有224或1,600万个可能的值。
◆常用的位深度值范围为1—64位/像素。对图像的每个通道，PHOTOSHOP支持最大为16位/
像素的位深度。
一、HSB模型
◆HSB模型以人类对颜色的感觉为基础，描述了颜色的3种基本特性。
（1）色相（H）
◆是从物体反射或透过物体传播的颜色。在0到360度的标准色轮上，按位置度量色相。
◆在通常的使用中，色相由颜色名称标识，如红色、橙色或绿色。
（2）饱和度（S）
◆称为彩度是指颜色的强度或纯度，饱和度表示色相中灰色分量所占的比例，它使用从0%（灰
色）至100%（完全饱和）百分比来度量。在标准色轮上，饱和度从中心到边缘递增。（3）亮度（B）
◆是颜色的相对明暗程度，通常使用从0%（黑色）至100%（白色）的百分比来度量。
◆尽管可以使用HSB模型定义“颜色”调板或“拾色器”对话框中的颜色，但是没有用于创
建和编辑图像的HSB模式。
二、RGB模式
◆绝大多数可视光谱可用红色（R）、绿色（G）、蓝色（B）三色光的不同比例和强度的混合来表示，
在这三种颜色的重叠处产生青色、洋红、黄色和白色。
◆由于RGB颜色合成可以产生白色（即所有光都被反向回眼睛），因此也称它们为加色，加色用于
光照、视频和显示器。
◆Photoshop的RGB模式，为彩色图像中每个像素的RGB分量指定一个介于0（黑色）到255（白
色）之间的强度值。
◆RGB图像通过三种颜色或通道，可以在屏幕上重新生成多达1670万种颜色，这三个通道转转为每
像素24（8*3）位的颜色信息。
三、CMYK模式（青、洋红、黄、黑）
◆CMYK模式以打印在纸上的油墨的光线吸收性为基础，当白色光照到半透明油墨上时，色谱中的
一部分被吸叫，而另一部分被反射回眼睛。
◆理论上，纯青色(C)、洋红(M) 和黄色(Y) 色素在合成后可以吸收所有光线并产生黑色。这些颜
色因此称为减色。由于所有打印油墨都包含一些杂质，因此这三种油墨实际生成土灰色，必须与黑色(K) 油墨合成才能生成真正的黑色。(为避免与蓝色混淆，黑色用K而非 B 表示。)将这些油墨混合重现颜色的过程称为四色印刷。
◆在Photoshop的CMYK模式中，为每个像素的每种印刷油墨指定一个百分比值。
◆为最亮（高光）颜色指定的印刷油墨颜色百分比较低，而为较暗（暗调）颜色指定的百分比较高。
例如，亮红色可能包含2% 青色、93% 洋红、90% 黄色和0% 黑色。在CMYK 图像中，当四种分量的值均为0% 时，就会产生纯白色。
◆在准备在用印刷色打印的图像时，应使用CMYK模式，将RGB图像转换为CMYK即产生分色。
◆尽管CMYK是标准颜色模型，但是其准确的颜色范围随印刷和打印条件而异。
四、L*A*B模式
◆Lab颜色模型是国际照明委员会（CIE）为了衡量颜色标准化而公布的一种理论性色彩模式，
◆Lab颜色与设备无关，无论使何种设置（如显示器、打印机、计算机或扫描仪）创建或输出图像，
这种模型都能生成一致的颜色。
◆Lab颜色由亮度或光亮度分量（L）和两上色度分量组成，L表示光亮度分量，范围为0--100；
◆A分量（从绿色到红色）和b分量（从蓝色到黄色），两者范围都是—120+120。
◆Lab颜色是photoshop在不同颜色模式转换过程的过渡色彩模式。
五、位图模式
◆该模式使用两种颜色值（黑色或白色）之一表示图像中的像素。
◆位图模式的图像称为一位图像，单通道，其位深度为1。
◆位图模式的图像也叫作黑白图像。
六、灰度模式
◆该模式使用256级灰度，灰度图像中的每个像素都有一个0（黑色）到255（白）之间的亮度值。
◆灰度值也可以用黑色油墨覆盖的百分比来度量（0%等于白色，100%等于黑色）。
◆尽管灰度是标准颜色模型，但是所表示的实际灰色范围仍因打印条件而异。
◆单通道，每通道8位，每象素8位。
七、双色调模式
◆该模式通过一至四种自定油墨创建单色调、双色调、三色调和四色调的灰度图像，用于特殊打印。
八、索引颜色模式
◆该模式只能用于创建或编辑256种颜色以内的图像文件，这种模式下图像质量不是很高，但是所
需要磁盘空间很少，一般用于多媒体动画或WEB。
◆单通道，每象素8位，256色。
◆当转换为索引颜色时，photoshop将构建一个颜色查找表，用以存放并索引图像中的颜色，如果原
图像中的某种颜色没有出现在该表中，则程序将选取现有颜色中最接近的一种，或使用现有颜色模拟该颜色。
◆索引颜色可以减小文件大小，在这种模式下只能进行有限编辑。若要进一步编辑，需临时转换为
RGB模式。
九、多通道模式
◆该模式的每个通道（专色通道）使用256级灰度，用于特殊打印。
十、色域
◆色域是颜色系统可以显示或打印的颜色范围，人眼看到的色谱比任何颜色模型中的色域都宽。
◆LAB具有最宽的色域，它包括RGB和CMYK色域中的所有颜色。
◆RGB色域大于CMYK色域。
◆当不能打印的颜色显示在屏幕上时，称其为溢色（即超出CMYK色域之外）。
十一、仿色
◆当像的显示器一次只能显示256种颜色时，photoshop使用一种称为仿色的技术来混合现有颜色的
像素，从而模拟当前没有的颜色。
◆默认情况下，photoshop采用图案仿色，该技术会在图像中产和更暗或更亮区域的独特图案。
◆扩散仿色消除了这种独特的图案，它使用像素颜色混合中的周围像素，在【编辑】【预设】【显示
与光标】中选择“使用扩散仿色”。
◆仿色效果只出现在屏幕上，打印结果中不出现。
(整理)matlab图像类型与彩色模型的转换.
第六讲图像类型与 彩色模型的转换 【目录】 一、图像类型的转换 (1) 1、真彩图像→索引图像 (3) 2、索引图像→真彩图像 (3) 3、真彩图像→灰度图像 (4) 4、真彩图像→二值图像 (4) 5、索引图像→灰度图像 (5) 6、灰度图像→索引图像 (6) 7、灰度图像→二值图像 (7) 8、索引图像→二值图像 (8) 9、数据矩阵→灰度图像 (9) 二、彩色模型的转换 (9) 1、图像的彩色模型 (10) 2、彩色转换函数 (10) 三、纹理映射 (13) 【正文】 一、图像类型的转换
1、真彩图像→索引图像 【格式】X =d i t h e r (R G B ,m a p ) 【说明】按指定的颜色表m a p 通过颜色抖动实现转换 【输入】R G B 可以是d o u b l e 或u i n t 8类型 【输出】X 超过256色则为d o u b l e 类型，否则输出为u i n t 8型 【例】 C L F ,R G B =i m r e a d ('f l o w e r s .t i f '); 100 200 300 400 500 50100150200250300350 100 200 300 400 500 50100150200250300350 【输出】R G B 为d o u b l e 类型 【例】 C L F ,l o a d t r e e s ; R G B =i n d 2r g b (X ,m a p ); s u b p l o t (1,2,1);s u b i m a g e (X ,m a p );t i t l e ('索引图') s u b p l o t (1,2,2);s u b i m a g e (R G B );t i t l e ('真彩图')
【CN110020633A】姿态识别模型的训练方法、图像识别方法及装置【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910294734.8 (22)申请日 2019.04.12 (71)申请人 腾讯科技（深圳）有限公司 地址 518000 广东省深圳市南山区高新区 科技中一路腾讯大厦35层 (72)发明人 罗镜民 朱晓龙 王一同 季兴 (74)专利代理机构 北京派特恩知识产权代理有 限公司 11270 代理人 李梅香 张颖玲 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) G06N 3/08(2006.01) (54)发明名称 姿态识别模型的训练方法、图像识别方法及 装置 (57)摘要 本发明提供了一种姿态识别模型的训练方 法、图像识别方法及装置；姿态识别模型的训练 方法包括：将标注有人体关键点的样本图像，输 入所述姿态识别模型包括的特征图模型，输出对 应所述样本图像的特征图；将所述特征图输入所 述姿态识别模型包括的二维模型，输出用于表征 二维人体姿态的二维关键点参数；将从所述特征 图中剪裁出的目标人体特征图及所述二维关键 点信息，输入所述姿态识别模型包括的三维模 型，输出用于表征三维人体姿态的三维姿态参 数；结合所述二维关键点参数及所述三维姿态参 数，构建目标损失函数；基于所述目标损失函数， 更新所述姿态识别模型的模型参数。权利要求书3页 说明书16页 附图11页CN 110020633 A 2019.07.16 C N 110020633 A
权 利 要 求 书1/3页CN 110020633 A 1.一种姿态识别模型的训练方法，其特征在于，所述方法包括： 通过姿态识别模型包括的特征图模型，对标注有人体关键点的样本图像进行处理，获得对应所述样本图像的特征图； 通过所述姿态识别模型包括的二维模型，对所述特征图进行处理，获得用于表征二维人体姿态的二维关键点参数； 通过所述姿态识别模型包括的三维模型，对从所述特征图中剪裁出的目标人体特征图及所述二维关键点参数进行处理，获得用于表征三维人体姿态的三维姿态参数； 结合所述二维关键点参数及所述三维姿态参数，构建目标损失函数； 基于所述目标损失函数，更新所述姿态识别模型的模型参数。 2.如权利要求1所述的方法，其特征在于，所述方法还包括： 根据当前配置场景的类型获取相应类型的关键点集，并确定所述关键点集中的人体关键点； 基于所确定的人体关键点，参照所述关键点集对所述样本图像进行标注。 3.如权利要求2所述的方法，其特征在于，所述关键点集包括： 用于定位人体部位的基准关键点、与所述基准关键点协同表征所属部位的多种三维姿态的扩展关键点。 4.如权利要求1所述的方法，其特征在于，所述目标损失函数包括对应所述三维模型的第一损失函数；所述结合所述二维关键点参数及所述三维姿态参数，构建损失函数，包括：基于所述三维姿态参数，确定相应的二维关键点信息； 结合所述二维模型输出的二维关键点参数、以及基于所述三维姿态参数确定的二维关键点信息，构造对应所述三维模型的第一损失函数。 5.如权利要求4所述的方法，其特征在于，所述目标损失函数还包括对应所述二维模型的损失函数及对应所述三维模型的第二损失函数； 所述二维关键点参数包括：人体关键点的部分亲和字段参数及人体关键点的热力图，所述三维姿态参数包括：人体的形状参数及形态参数； 所述结合所述二维关键点参数及所述三维姿态参数，构建损失函数，包括： 结合所述二维模型输出的部分亲和字段参数与相应人体关键点在样本图像中的部分亲和字段参数的差异、所述二维模型输出的热力图与相应人体关键点在样本图像中的热力图的差异，构建对应所述二维模型的损失函数； 结合所述三维模型输出的形状参数与相应人体在样本图像中的形状参数的差异、所述三维模型输出的形态参数与相应人体在样本图像中的形态参数的差异，构建对应所述三维模型的第二损失函数。 6.如权利要求1所述的方法，其特征在于，所述方法还包括： 基于所述二维模型输出的所述二维关键点参数，确定所述特征图中的目标人体； 根据确定的目标人体对所述特征图进行剪裁，得到所述目标人体的特征图。 7.如权利要求1所述的方法，其特征在于，所述基于所述目标损失函数，更新所述姿态识别模型的模型参数，包括： 基于所述二维模型输出的所述二维关键点参数及所述三维模型输出的所述三维姿态参数，确定所述目标损失函数的值； 2
图像大小和分辨率
图像大小和分辨率 与数码照片有关的工作中一个比较复杂的话题，就是对图像大小与分辨率之间的关系的理解。作为照片处理者，你随时都会遇见ppi值（每英寸像素的数量）、像素大小以及输出大小。要想获得精确的图像效果，尤其是打印后的图像效果，把这两个概念整理清楚是非常必要的。 图像大小 图像文件的两个重要特征是它的图像大小（不要与图像文件的大小混淆了）以及它的分辨率。图像大小涉及的是图像中点的数量。以像素乘以像素来说明，第二个像素值指的是垂直向的像素数量。例如一个图像的大小可以是4368×2912像素，也就是共有12719616或者取整为1200万个图像点，也就是1200万像素。图像文件大小则与它所需的存储空间有关，以字节为单位。 一个图像的像素越大，所含的图像信息就越多，被清楚还原的尺寸也就越大。在输出大小相同的情况下，像素越大，单个细节就显示得越清楚，就越会形成清晰的视觉效果。但这里的视觉图像大小只是一个非实体的、虚拟的值，单独这个值既不能以厘米计算纸上的图片大小，也不能说明显示器上的图像大小。为了对图像上的大小进行确切的描述，还需要另外一个值，那就是分辨率，因为只有通过介质的显示，数字的像素信息才能有一个实际的载体。 分辨率 分辨率是用来表示一定长度的线段上的图像点数量的参数，用每英寸像素（ppi）来表示。它描述的是一个特定的输出介质在一个区域所能显示的像素数量，同时
也表明了在这个介质上正确展示一照片的最低要求。每个输出介质的分辨率都是不同的。 你可以把一个图像想象成一个大的马赛克，每个像素中都含有关于各个马赛克“小子儿”所应有的色彩信息。输出介质决定着单颗小子儿的大小——显示器上的单颗小子儿较大，而打印照片时相纸上的单颗小子儿较小。因此在平铺面积相同的情况下，相纸所能容纳的小子儿要比显示器容纳的多。也可以说，显示器在相同面积中所需要的小子儿较少。相应的，在小子儿数量相同的情况下，在显示器上所铺出来的面积就更大。但是在这两种显示介质前，在与这两个马赛克保持相应距离时，你会看到同样的图像。 此外，比较难以理解的是，分辨率这个概念也被应用于其他与摄影相关的情况，但是不同情况下的所指少有不同。 ——镜头分辨率描述的是这个镜头将黑白相间的细线条分辨开来成像的能力，即解像能力 ——相机的感光元件用分辨率来描述垂直向和水平向上的测量像素的数量，也就是可以成像的测量像素的总量（通常用“百万像素”表示） ——与相机的感光元件非常相似的是，显示器把垂直向和水平向上所可能显示的像素的总量也口语化地叫做分辨率，虽然这更多地是在描述显示器的大小（在这个意义上，更接近“图像大小”的概念） 但是一照片的分辨率并没有说出这个图像文件中真正的像素数量。在一个特定的输出介质上，一大图和一小图的显示分辨率是完全相同的，但是大图要比小图显得大得多。为了理解这其中的关联，请你在后面的叙述中想象一下两个不同的图
容量及图片像素换算
K是千 M是兆 G是吉咖 T是太拉 8bit(位)=1Byte(字节) 1024Byte(字节)=1KB 1024KB=1MB 1024MB=1GB 1024GB=1TB 数位组：一个在信息技术和数码技术领域中，用于表示信息的数量的单位。 一个数位组是数个二进位的组合。早期的不同计算机系统中使用的数位组含有的二进位数目不尽相同。但目前数位组在应用上已经统一，即，一个数位组通常由8个二进位组成。16个二进位合成一个字（word）. 32个二进位构成一个复字（double words)。 每个二进位，可用来代表两种状态之一，如电路的开/断等）组成，因此可以代表28 = 256个不同的状态。 4个二进位的组合称为四位组(Nibble)。 8个二进位的组合则为一个八位组(Octet)。所以一个数位组通常是一个八位组。 数位组是一个承载信息的基本单元。一个数位组表明的信息由所用的编码方式决定。不同的编码方式有可能用一个或多个数位组来表示一个数字，一个符号，或者一幅图像中的一个色点。常用的编码方式如用来表示字符集的ASCII编码或者ISO/IEC 8859标准的编码。 字节又被译为“字节”，即是在电脑内一个英文字所占的最基本单元。而一个中文字是占两个字节的。
由数位组引申出的计量单位 1 kilobyte kB = 1000 (103) byte 1 megabyte MB = 1 000 000 (106) byte 1 gigabyte GB = 1 000 000 000 (109) byte 1 terabyte TB = 1 000 000 000 000 (1012) byte 1 petabyte PB = 1 000 000 000 000 000 (1015) byte 1 exabyte EB = 1 000 000 000 000 000 000 (1018) byte 1 zettabyte ZB = 1 000 000 000 000 000 000 000 (1021) byte 1 yottabyte YB = 1 000 000 000 000 000 000 000 000 (1024) byte 1 nonabyte NB = 1 000 000 000 000 000 000 000 000 000 (1027) byte 1 doggabyte DB = 1 000 000 000 000 000 000 000 000 000 000 (1030) b yte 注意上面Kibi这一系列的定义。Kibi来自英语kilo-binary(二进制的千), 1998年10月在IEC60027-2中订位标准。但到目前在各种应用中还没有完全占优势。 在信息行业中常用用于内存容量的MB, GB，几乎都是指220，230，…数位组。KB也经常表示210数位组，以区别于kB。当然你也会经常看到kB被混用来表示210数位组。这些表示法都并没有被标准化。至于硬盘容量，一般的制造商总是用十进制的计数。一般计算机的操作系统都是使用2进制的计数，所用你经常会发现在计算机看到的硬盘容量比硬盘上声称的要小，比如20GB的硬盘只显示有18.6GB。特别误导人是软盘的情况。720KB的软盘是720×10241个数位组的
图像处理和识别中的纹理特征和模型
纹理特征和模型 １，基于纹理谱的纹理特征 图像纹理分析中，最重要的问题是提取能够描述纹理的特征信息；这些特征可被用来分类和描述不同的纹理图像。在实际中常用到的方法有结构法和统计法；本文提出一种新的统计方法，每个纹理单元表征该位置及其领域象素的特征，整幅图像的纹理特征用纹理谱来表征，用这种方法进行分析较为简单。 定义纹理谱：纹理单元的频率分布。 基于纹理频谱的纹理特征： 3×３领域：权重： original reference calculate by myself （1）、黑白对称性 ()(3281) 1*100 () s i S i BWS S i ?? -+ ?? ?? =- ?? ?? ?? ∑ ∑ 反映频谱的对称性，不随纹理单元中起始计数位置的不同而不同。 （2）、几何对称性 ()4() 1 1*100 4 2*() Sj i Sj i GS Sj i ?? -+ ?? ?? =- ?? ?? ?? ∑ ∑ ∑ 反映图像旋转180度后，纹理谱的相似性； （3）、方向度
()()11*10062*()Sm i Sn i DD Sm i ?? -?? ??=-?????? ∑∑ ∑ 反映线性结构的角度。大的DD 说明纹理谱对图像的方向模式较为敏感；即图 像中有线性机构纹理单元存在。 以上三个特征都是图像的几何特征，可描述原始图像的宏观纹理；下面介绍几个描述图像微观纹理的特征。 （4）、方向特征 微观水平结构特征： ()*()MHS S i HM i =∑ ()(,,)*(,,)HM i P a b c P f g h = 同样，我们可以得到其它方向的方向纹理特征MVS ，MDS1，MDS2 （5）中心对称性 2()*[()]CS S i K i =∑ ２．常用统计特征： 把图像看成是一个二维随机过程的一次实现，可得到图像的直方图、均值、方差、偏度、峰度、能量、墒、自相关、协方差、惯性矩、绝对值、反差分等特征量。常用来描述纹理的统计特征的技术有子相关函数、功率谱、正交变换、灰度级同时事件、灰度级行程长、灰度级差分、滤波模板、相对极值密度、离散马尔可夫随机场模型、自回归模型、同时自回归模型等。 原图： １、２、３、４阶矩
图像颜色特征提取原理
一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为:
灰度图像处理及颜色模型转换
灰度图像处理程序代码代码 1.二值图像 function erzhi_Callback(hObject, eventdata, handles) % hObject handle to erzhi (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) axes(handles.axes2); x=(handles.img); if isrgb(x) msgbox('这是彩色图像,不能转换为二值图像','转换失败'); else j=im2bw(x); imshow(j); end 2.图像腐蚀 function fushi_Callback(hObject, eventdata, handles) % hObject handle to fushi (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) axes(handles.axes2); x=(handles.img); if isrgb(x) msgbox('这是彩色图像,不能进行图像腐蚀','失败'); else j=im2bw(x); se=eye(5); bw=bwmorph(j,'erode'); imshow(bw); 3.创建索引图像 function chuanjian_Callback(hObject, eventdata, handles) % hObject handle to chuanjian (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) axes(handles.axes2); x=(handles.img); if isrgb(x) msgbox('这是彩色图像,不能创建索引图像','创建失败'); else y=grayslice(x,16); axes(handles.axes2); imshow(y,jet(16)); end 4.轮廓图
图像大小的计算
图像大小的计算 一直为图片大小计算所吸引，近日搜索资料得知，与大家分享。 数码照片文件大小和拍摄时设置的分辨率和品质有关，还和被拍摄景物的色彩，纹理复杂程度有关，同样的相机设置拍白墙和风景文件大小是不一样的。找个编辑图片的软件，如Photoshop就可以只改变图片占用空间的大小，不会改变长和高，但要牺牲质量。用ACDsee也可另存为，然后可改变质量，降低文件就变小，大小不变。 文件大小是指一个文件占用电脑的磁盘空间的大小。不光是图片文件，其它任何类型的文件都要占用空间，而图片文件的大小与文件格式（JPG、BMP、PSD、GIF、TIFF、PNG、CDA等等）、文件的实际像素、实际尺寸都有直接的关系，但就算两张图片的以上几点都完全一样，文件的大小还可能是不相等的，因为每一张图片所包含的色彩信息量是不同的，一面白墙的相片跟一个MM的照片，文件大小铁定是不同的。 首先，图片大小的存储基本单位是字节（byte），每个字节是由8个比特（bit）组成。 1、位（bit） 来自英文bit，音译为“比特”，表示二进制位。位是计算机内部数据储存的最小单位，是一个8位二进制数。一个二进制位只可以表示0和1两种状态（21）；两个二进制位可以表示00、01、10、11四种（22）状态；三位二进制数可表示八种状态（23）…… 2、字节（byte） 字节来自英文Byte，音译为“拜特”，习惯上用大写的“B”表示。字节是计算机中数据处理的基本单位。计算机中以字节为单位存储和解释信息，规定一个字节由八个二进制位构成，即1个字节等于8个比特（1Byte=8bit）。八位二进制数最小为00000000，最大为；通常1个字节可以存入一个ASCII码，2个字节可以存放一个汉字国标码。 位在计算机中极少单独出现。它们几乎总是绑定在一起成为8位集合，称为字节。为什么一个字节中有8位呢一个类似的问题是：为什么一打鸡蛋有12个呢8位字节是人们在过去50年中不断对试验及错误进行总结而确定下来的。 1字节（Byte）= 8位（bit）。所以，一个字节在十进制中的范围是[0~255],即256个数。 图片大小跟颜色模式有直接关系： 1.灰度模式：图片每一个像素是由1个字节数值表示，也就是说每一像素是由8为01代码构成。比如：240*320=76800px；76800*1（byte）/1024=75k； 模式：即red blue green三原色简写。图片每一个像素是由3个字节数值表示，也就是说每一像素是由24为01代码构成。比如：240*320=76800px；76800*3（byte）/1024=225k； 模式：即青色（c）洋红（m）黄色（y）黑色（k）构成。图片每一个像素是由4个字节数值表示，也就是说每一像素是由8为01代码构成。.比如： 240*320=76800px；76800*4（byte）/1024=300k； 4. dpi是指单位面积内像素的多少，也就是扫描精度，目前国际上都是计算一平方英寸面积内像素的多少。dpi越小，扫描的清晰度越低，由于受网络传输速度
1寸2寸及各种证件照片标准尺寸像素
整理如下： 1寸2寸电子版照片标准尺寸 1寸打印尺寸25×35(mm)像素295×413(px) 2寸打印尺寸35×49(mm)像素413×626(px) 一英寸=72pt(点)=96px(像素) 身份证（驾照）照片：22*32 mm (小1寸) 小1寸: 27*38 mm 1寸：25*38 mm 普通护照照片：33*48mm（大1寸） 大1寸:40*55mm 600×800 = 48万像素=3寸照片 700×1000=约80万像素=5寸照片（3.5×5英寸，毫米规格89×127）；800×1200=约100万像素=6寸照片（4×6英寸，毫米规格102×152）；1000×1400=约150万像素=7寸照片（5×7英寸，毫米规格，127×178）；1200×1600=约200万像素=8寸照片（6×8英寸，毫米规格152×203）；1600×2000=约310万像素=10寸照片（8×10英寸，毫米规格203×258）；1600×2400=约400万像素=标准照片（8×12英寸，毫米规格203×304）；1600×2800=约400万像素=宽幅照片（8×14英寸，毫米规格203×356）。 照片规格(英寸)（厘米）(像素)数码相机类型 2.5* 3.5cm413*295 身份证大头照3.3*2.2390*260 2寸3.5*5.3cm626*413 小2寸（护照）4.8*3.3cm567*390
5寸5×3.512.7*8.91200×840以上100万像素6寸6×415.2*10.21440×960以上130万像素7寸7×517.8*12.71680×1200以上200万像素8寸 8×620.3*15.21920×1440以上300万像素10寸10×825.4*20.32400×1920以上400万像素12寸12×1030.5*20.32500×2000以上500万像素15寸 15×1038.1*25.43000×2000600万像素冲洗照片尺寸对照表： 规格（英寸）分辩率PX(文件的长、宽)/像素厘米 3.5*5（3R/4寸）1050*1500/300dpi8.89*12.74*6（4R/6寸） 1800*1200/300dpi10.16*15.245*7（5R/7寸）1500*2100/300dpi12.7*17.786*8（6R/8寸）1800*2400/300dpi15.24*20.328*10（8R/10寸） 2400*3000/300dpi20.32*25.410*12（12寸）3000*3600/350dpi25.4*30.4812*16（16寸）3600*4800/350dpi30.48*40.645英寸：3*5 6英寸：4*6 7英寸：5*7 8英寸：6*8 12英寸：10*12 18英寸：12*18 护照照片要求细则 护照照片必须满足以下要求： －照片包括被照者的全部头部和全部肩膀的正面照，且面部都在照片的正中心； －照片的底色必须是纯白色； －所有照片必须是未经任何修正的同一底片冲洗出来的或通过一次曝光呈现多 个影像或多个镜头的相机拍摄的完全一样的照片（黑白照或彩照）；－照片必须使用绒面纸。
RGB与YUV、YIQ、YCbCr、HSI、CMY的模型互化(基于matlab)
2013-2014学年第二学期图像通信课程设计报告设计题目：图像的各种颜色空间转换
摘要 所谓三基色原理，是指自然界常见的各种颜色光都可由红、绿、蓝三种色光按照不同比例相配而成。同样，绝大多数颜色也可以分解成红、绿、蓝三种色光。这就是色度学中的最基本的原理。 彩色模型的用途是在某些标准下用通常课接受的方式简化彩色规范。常常涉及到用几种不同的彩色空间表示图形和图像的颜色，以应对不同的场合和应用。因此，在数字图像的生成、存储、处理及显示时，对应不同的彩色空间，需要作不同的处理和转换。现在主要的彩色模型有RGB模型、CMY模型、YUV模型、YIQ 模型、YcbCr模型、HSI模型等。本设计主要使用MATLAB编程的方法，实现RGB与其余四种模型之间的互化。即使用不同的色彩模型表示同一图形或图像。通过转换实现色彩模型的变换之后，可以让同一幅图像以各种模式在全球范围内流通，所以本设计具有一定的实际意义。一般的图像原始都为RGB—加色混合色彩模型，它与剩下的几个色彩模型之间存在着函数对应关系，通过矩阵运算改变模型的参数就可以实现不同色彩模型之间的相互转换。例如CMY—减色混合色彩模型，就是利用青色、深红色、黄色这三种彩色按照一定比例来产生想要的 彩色，CMY是RGB三基色的补色，它与RGB存在如下关系：C M Y = 1 1 1 - R G B ， 使用MATLAB编程时，读入三个通道的数值，按照对应关系进行矩阵变换就可以转换成CMY色彩模型。其他色彩模型转换原理与此相似。 关键词：MATLAB，RGB、YUV、YIQ、YCbCr、HSI、色彩模型
一、设计任务、目的和要求 任务：实现RGB模型、CMY模型、YUV模型、YIQ模型、YcbCr模型、HSI 模型这几种不同色彩模型之间的相互转换 要求：最终结果用图像显示 二、总体方案设计 系统运行环境：WINDOWS 7操作系统 编程软件平台：MATLAB2012b 编码算法原理：将原图的三基色数值读入，根据不同色彩模型之间的相互关系，通过矩阵运算改变不同的亮度和色度等信息来实现色彩模型的转换，然后将变换后的图像导出 流程图： 三、设计实现
基于.人工智能算法的图像识别及生成
基于人工智能算法的图像识别与生成 摘要：本次报告的工作是利用PCA，SVM以及人工神经网络（ANN）实现对人脸的特征提取、分类和预测。然后利用GAN（生成对抗网络）实现对手写数字的生成，并用SVM 做预测，验证生成效果。 本次报告采用的数据源自剑桥大学的ORL 人脸数据库，其中包含40个人共400张人脸图像。 关键词：人工智能；图像识别；数据 中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）13-0173-02 1 PCA降维 PCA（principal components analysis）即主成分分析，又称主分量分析。旨在利用降维的思想，把多指标转化为少数几个综合指标。 首先我们给出了数据库的平均脸的图像，并利用PCA对人脸降维，通过改变降低到的维度研究了保留维度的多少带来的影响。最后给出了每一个维度的特征脸图像，讨论了每一个维度所能够代表的人脸信息。 1.1 平均脸 首先，我们将数据库中400张人脸按行存储到一个矩阵
中，即每一行为一张人脸（10304像素），每张人脸共10304维特征。我们对每一个维度去平均，构成一个新的行向量，这就是平均脸。 平均脸反映了数据库中400张人脸的平均特征，可以看清人脸的轮廓，但无法识别人脸的局部细节。 1.2 降低至不同维度时还原脸的情况 从左到右从上到下依次是同一张脸降低至10，30，50，100，200，250，300，350，400的图像。可以看到，随着保留维数的增多，图像越清晰，与原图的差异越小。 1.3 提取单一维度的特征做还原 为了研究不同维度所代表的人脸的信息，我们把PCA之后的每一个特征向量单独提取出来对人脸做还原，还原的时候不加入平均脸并且做直方图均衡化。 结果如下： 每一张图像下方的数字代表了PCA之后按特征值从大到小排序的顺序，比如第一张图代表PCA之后最大特征值所对应的特征向量还原出的人脸。 特征累积图的纵坐标代表了所保留的特征占总特征的 比例。它是这样计算出来的，假设保留k维信息，则纵坐标值为这k个特征值的和除以总的400（400*10304的矩阵，最多有400个非零特征值）个特征值的和。 从图4可以看出，当保留维数为100维时，即能保留人
各种颜色模型分析
色彩空间介绍 颜色模型是指某个三维颜色空间中的一个可见光子集,它包含某个颜色域的所有颜色。如我们所熟知的三原色光模式.三原色光模式（RGB color model），又称RGB颜色模型或红绿蓝颜色模型，是一种加色模型，将红（Red）、绿（Green）、蓝（Blue）三原色的色光以不同的比例相加，以产生多种多样的色光(如图1所示)。 图1 在大多数的彩色图形显示设备一般都是使用红、绿、蓝三原色，我们的真实感图形学中的主要的颜色模型也是RGB模型，但是红、绿、蓝颜色模型用起来不太方便，它与直观的颜色概念如色调、饱和度和亮度等没有直接的联系。为了更便于颜色的直观表示,一些学者提出了其它的颜色模型,如HSV、HSI、CHL、LAB、CMY等。 RGB颜色模型 RGB（Red,Green,Blue）颜色模型通常使用于彩色阴极射线管等彩色光栅图形显示设备中，彩色光栅图形的显示器都使用R、G、B数值来驱动R、G、B电子枪发射电子，并分别激发荧光屏上的R、G、B三种颜色的荧光粉发出不同亮度的光线，并通过相加混合产生各种颜色。RGB颜色模型称为与设备相关的颜色模型，RGB颜色模型所覆盖的颜色域取决于显示设备荧光点的颜色特性，是与硬件相关的。它是我们使用最多，最熟悉的颜色模型。它采用三维直角坐标系。红、绿、蓝原色是加性原色，各个原色混合在一起可以产生复合色。RGB颜色模型通常采用如图2所示的单位立方体来表示。在正方体的主对角线上，各原色的强度相等，产生由暗到明的白色，也就是不同的灰度值。目前在计算机硬件中采取每一象素用24比特表示的方法,（0，0，0）为黑色，（255，255，255）为白色。正方体的其他六个角点分别为红、黄、绿、青、蓝和品红。
各个尺寸照片对应大小及尺寸
各个尺寸照片对应大小及尺寸 1英寸25mm×35mm 2英寸35mm×49mm 3英寸35mm×52mm 港澳通行证33mm×48mm 赴美签证50mm×50mm 日本签证45mm×45mm 大二寸35mm×45mm 护照33mm×48mm 毕业生照33mm×48mm 身份证22mm×32mm 驾照21mm×26mm 车照60mm×91mm 数码相机和可冲印照片最大尺寸对照表 500万像素有效4915200，像素2560X1920。可冲洗照片尺寸17X13，对角线21英寸 400万像素有效3871488，像素2272X1704。可冲洗照片尺寸15X11，对角线19英寸 300万像素有效3145728，像素2048X1536。可冲洗照片尺寸14X10，对角线17英寸 200万像素有效1920000，像素1600X1200。可冲洗照片尺寸11X8，对角线13英寸
130万像素有效1228800，像素1280X960。可冲洗照片尺寸9X6，对角线11英寸 080万像素有效786432，像素1024X768。可冲洗照片尺寸7X5，对角线9英寸 050万像素有效480000，像素800X600。可冲洗照片尺寸5X4，对角线7英寸 030万像素有效307200，像素640X480。可冲洗照片尺寸4X3，对角线5英寸 5寸照片（3X5），采用800X600分辨率就可以了 6寸照片（4X6），采用1024X768分辨率 7寸照片（5X7），采用1024X768分辨率 8寸照片（6X9），采用1280X960分辨率 按照目前的通行标准，照片尺寸大小是有较严格规定的 1英寸证明照的尺寸应为3．6厘米×2．7厘米； 2英寸证明照的尺寸应是3．5厘米×5．3厘米； 5英寸（最常见的照片大小）照片的尺寸应为12．7厘米×8．9厘米；6英寸（国际上比较通用的照片大小）照片的尺寸是15．2厘米×10．2厘米； 7英寸（放大）照片的尺寸是17．8厘米×12．7厘米； 12英寸照片的尺寸是30．5厘米×25．4厘米。 正常的误差应该在1～2毫米左右，如果“差距”过大，那就说明洗印店有问题了。
Lab颜色模型
Lab颜色模型 Lab颜色模型是有国际照明委员会（CIE）于1976年公布的一种颜色模型，Lab 颜色模型弥补了RGB和CMYK两种色彩模式的不足。Lab颜色模型由三个要素组成，一个要素是亮度（L），a 和b是两个颜色通道。a包括的颜色是从深绿色（低亮度值）到灰色（中亮度值）再到亮粉红色（高亮度值）；b是从亮蓝色（底亮度值）到灰色（中亮度值）再到黄色（高亮度值）。因此，这种颜色混合后将产生具有明亮效果的色彩。 4. Lab色彩模式 Lab色彩模式由光度分量（L）和两个色度分量组成，这两个分量即a分量（从绿到红）和b分量（从蓝到黄），如图8所示。Lab色彩模式与设备无关，不管使用什么设备（如显示器、打印机或扫描仪）创建或输出图像，这种色彩模式产生的颜色都保持一致。 A．光度=100（白）B．绿到红分量 C．蓝到黄分量D．光度=0（黑） 图2-11 Lab色彩模式通常用于处理Photo CD（照片光盘）图像、单独编辑图像中的亮度和颜色值、在不同系统间转移图像以及打印到PostScript（R）Level 2和Level 3打印机。色彩模式 在进行图形图像处理时，色彩模式以建立好的描述和重现色彩的模型为基础，每一种模式都有它自己的特点和适用范围，用户可以按照制作要求来确定色彩模式，并且可以根据需要在不同的色彩模式之间转换。下面，介绍一些常用的色彩模式的概念。 1. RGB色彩模式 自然界中绝大部分的可见光谱可以用红、绿和蓝三色光按不同比例和强度的混合来表示。RGB分别代表着3种颜色：R代表红色，G代表绿色、B代表蓝色。RGB模型也称为加色模型，如图5所示。RGB模型通常用于光照、视频和屏幕图像编辑。 图5 RGB色彩模式使用RGB模型为图像中每一个像素的RGB分量分配一个0~255范围内 的强度值。例如：纯红色R值为255，G值为0，B值为0；灰色的R、G、B三个值相等（除了0和255）；白色的R、G、B都为255；黑色的R、G、B都为0。RGB图像只使用三种颜色，就可以使它们按照不同的比例混合，在屏幕上重现16581375种颜色。 2. CMYK色彩模式 CMYK色彩模式以打印油墨在纸张上的光线吸收特性为基础，图像中每个像素都是由靛青（C）、品红（M）、黄（Y）和黑（K）色按照不同的比例合成。每个像素的每种印刷油墨会被分配一个百分比值，最亮（高光）的颜色分配较低的印刷油墨颜色百分比值，较暗（暗调）的颜色分配较高的百分比值。例如，明亮的红色
基于卷积神经网络的图像识别研究
第14期 2018年7月No.14July，2018 1 算法原理 卷积神经网络的卷积层最重要部分为卷积核[1-2]。卷积核不仅能够使各神经元间连接变少，还可以降低过拟合误 差[3]。 子采样过程就是池化过程。进行卷积过程是将卷积核与预测试图像进行卷积，子采样能够简化网络模型，降低网络模型复杂程度，从而缩减参数。 在图像识别时，首先需要对输入图像初始化，然后将初始化后图像进行卷积和采样，前向反馈到全连接层，通过变换、即可计算进入输出层面，最终通过特征增强效果和逻辑之间的线性回归判断是否符合图像识别期望效果，往复循环，每循环一次就迭代一次，进而对图像进行识别。流程如图1所示。 图1 卷积神经网络模型流程 2 卷积神经网络 卷积神经网络主要包括3个层次[4]，它由输入层、隐藏 层、输出层共同建立卷积神经网络模型结构。2.1 卷积层 卷积层的作用是提取特征[2]。卷积层的神经元之间进行 局部连接，为不完全连接[5]。 卷积层计算方法公式如下。()r array M a λ+ 其中λ为激活函数，array 是灰度图像矩阵， M 表示卷积核， 表示卷积， a 表示偏置值大小。G x 方向和G y 方向卷积核。 本文卷积神经网络模型中设定的卷积核分为水平方向和竖直方向。卷积层中卷积核通过卷积可降低图像边缘模糊程度，使其更为清晰，效果更好、更为显著。经过S 型函数激活处理之后，进行归一化后图像灰度值具有层次感，易于突出目标区域，便于进一步处理。2.2 全连接层 该层主要对信息进行整理与合并，全连接层的输入是卷积层和池化层的输出。在视觉特征中，距离最近点颜色等特征最为相似，像素同理。全连接如图2所示。 图2 全连接 3 实验结果与分析 本文采用数据集库是MSRA 数据集，该数据集共包含1 000张图片。实验环境为Matlab2015a 实验环境，Windows 7以上系统和无线局域网络。本文从MSRA 数据集中选取其中一张进行效果分析。卷积神经网络模型识别效果如图3所示。 作者简介：谢慧芳（1994— ），女，河南郑州人，本科生；研究方向：通信工程。 谢慧芳，刘艺航，王 梓，王迎港 （河南师范大学，河南 新乡 453007） 摘 要：为降低图像识别误识率，文章采用卷积神经网络结构对图像进行识别研究。首先，对输入图像进行初始化；然后，初 始化后的图像经卷积层与该层中卷积核进行卷积，对图像进行特征提取，提取的图像特征经过池化层进行特征压缩，得到图像最主要、最具代表性的点；最后，通过全连接层对特征进行综合，多次迭代，层层压缩，进而对图像进行识别，输出所识别图像。与原始算法相比，该网络构造可以提高图像识别准确性，大大降低误识率。实验结果表明，利用该网络模型识别图像误识率低至16.19%。关键词：卷积神经网络；卷积核；特征提取；特征压缩无线互联科技 Wireless Internet Technology 基于卷积神经网络的图像识别研究
像素与照片尺寸、分辨率之间的关系
像素与照片尺寸、分辨率之间的关系 对于业余摄影爱好者很少去研究与深入了解数码照相机的像素与拍出来的照片的分辨率(清晰度)以及照片尺寸大小之间的关系是什么。实际上作为摄影爱好者非常有必要对此有所了解，否则我们都是处在盲目的拍摄状态，我碰到过不少的业余摄影爱好者，他们从买了数码照相机以来，从没有对次进行过调整(即设置)，所以让自己的傻瓜照相机一直保持在出厂时的原生态“傻瓜”状态。 作为任何一名摄影爱好者应从拥有数码照相机的第一天开始，就应该认真地去学习和掌握这方面的相关知识，对今后的拍摄是大有益处的。 为了深入理解像素与照片尺寸、分辨率之间的关系，我们不妨进行一番细说。 一、像素与照片尺寸、分辨率之间的基本关系 “像素”是数码相机感光器件(CCD或COMS片)上的感光最小单位。就像是光学相机的感光胶片的银粒一样，它是记录在数码相机的“胶片”（感光器件）上感光点——即像素。 要想得到分辨率高（也就是细腻的照片），就必须保证有一定的像素数。那么是不是像素高的相机拍出的照片就一定比像素低的相机拍出的照片清晰呢？这首先要搞清一个概念，照片的清晰度不是取决于像素数，而是取决于像素的“点密度”（就是图片
的分辨率——用ppi表示，单位是“像素/英寸”），“像素数”和“点密度”是两个概念，“像素数”（点数）是感光点的总量，而“点密度”是单位面积上的点数（像素点），只有单位面积上的感光点数越多，拍出的照片才越细腻。所以，反映照片清晰程度的参数是“点密度”（照片的分辨率），而非总的点数。像素虽高，若印的照片也很大，其“点密度”并不高，照片照样也不细腻。相反，像素不高，若只印很小幅面的照片，也可以得到很细腻的照片。所以确切地说，像素高，意味着能拍出幅面大的照片——像素越高，照片的尺寸必然越大。所以，“像素”的高低，表示着照片幅面的大小。这样说来，我们购买相机的时候，就要考虑你准备拍摄的照片的最大尺寸是多大，再决定要求的像素数。若你准备开影楼或做广告，需要放大很大幅面的照片，就需要选择“高像素”的相机；若只是家庭使用，不准备放很大的照片，也就不必追求太高的像素数。当然，高像素的代价是高价位，所以大家在选择相机时，既要考虑自己的实际需要，也要考虑经济承受能力。 二、像素与照片尺寸、分辨率之间的计算实例 一般的数码相机都会提供几种不同像素单位的模式，比如640×480、1024×768、1600 ×1200、2048×1536……，其每一组数字中，前一个数字表示在照片的长度方向上所含的像素点数，后一数字表示在宽的方向上所含的像素点数，两者的乘积，就是像素数。比如1600×1200＝1920000≈2000000，就是200万（像