依然记得在大学刚刚接触到视觉这个板块的时候，就好像开启了一个新的世界大门，被其中无穷的数字变换所吸引。后来接触的越来越多，慢慢的在前行，也想像课堂中的讲师，网站上的一个个up主一样，分享自己的收获，等以后又过了很多年，把自己写过的博客翻出来回忆一番。相比于网站上很多优秀的课程，可能这一系列专栏犹如荧光见皓月一般渺小，但是我觉得将自己的所见所闻所感，与看到这篇文章的另一个人通过屏幕传递信息，是跨越数字0和1之间精神交流。我也将尽可能的将这一专栏，描述的最通俗易懂，易于新人理解。感谢各位读友，如有描述不当之处，恳请批评指正，谢谢！

这一篇文章所涉及到的内容，我们在后续的文章中会陆续讲解。此章节只需对视觉有一些基础的了解。

一、先搞懂：机器视觉里的 “基础建材”

一栋高楼是由钢筋混凝土修筑成的。要搞懂一张图像，首先要明白，它是怎么构成的。

（1） 像素（Pixel）

就像拼图是由一个个小方块拼出来的，图像由无数个 “像素小方块” 组成。比如我们常说的 “1920×1080 图像”，意思是这张图横向有 1920 个像素，纵向有 1080 个像素，总共约 207 万个小方块。

1. 黑白图

黑白图里没有 “颜色”，只有 “亮和暗” 的区别，像调台灯亮度。而每个像素的亮暗程度，都用一个从0 到 255 的数字来精确记录 —— 这个数字就像 “亮度开关”，数字越小越暗，数字越大越亮。

1.1 核心数值的含义：2 个关键节点

• 0 = 纯黑：表示这个像素完全不发光，就像把台灯调到 “最暗”，灯珠完全不亮，看起来是纯黑色。比如图像里 “黑板的黑色区域”“夜晚的天空”，对应的像素数值就是 0。​

• 255 = 纯白：表示这个像素发光最亮，就像把台灯调到 “最亮”，灯珠全力发光，看起来是纯白色。比如图像里 “白纸的白色部分”“阳光下的雪地”，对应的像素数值就是 255。​

1.2 为什么用 “0-255”？不是 1-100？​

因为计算机存储数据时，常用 “8 位二进制”（简单理解为 “8 个 0/1 组成的代码”），而 8 位二进制能表示的最大数字就是 “255”（计算逻辑：2^8 - 1 = 255）。用 0-255 既能精准区分 “亮暗”，又能让计算机高效存储 ——1 个黑白像素只需要 1 个 “8 位数据”，1 张 1920×1080 的黑白图，总数据量约 2MB（1920×1080×1 字节），手机、电脑都能快速处理。

2.彩色图

彩色图之所以有丰富的颜色，核心是每个像素都由 “红（R）、绿（G）、蓝（B）” 三种基础颜色（称为 “三原色”）混合而成，就像我们用红、绿、蓝三种水彩颜料，能调出各种颜色一样。​而每种基础颜色的 “用量多少”，也分别用0-255 的数字来控制 —— 最终像素的颜色，就是这三种颜色 “按比例混合” 的结果。

每个彩色像素都有 3 个 “亮度数值”：分别对应红（R）、绿（G）、蓝（B）的浓度，每个数值都是 0-255，规则和黑白图一样：数字越大，该颜色越浓；数字越小，该颜色越淡。

因为每个彩色像素需要存储 “R、G、B”3 个 0-255 的数值（共 3 个 8 位数据），所以数据量是黑白图的 3 倍。比如 1 张 1920×1080 的彩色图，总数据量约 6MB（1920×1080×3 字节），这也是为什么手机拍的彩色照片，比黑白照片占用的存储空间更大。

（2） 数字图像 —— 能存进电脑的 “电子拼图”

我们手机拍的照片、相机拍的工业零件图，都是 “数字图像”—— 本质是把像素的颜色信息，用电脑能读懂的数字存起来（比如存在文件夹里的 JPG、PNG 文件）。

和以前的 “胶片照片”（模拟图像）比，数字图像的好处很明显：能随便复制、传文件，还能在电脑上修改（比如调亮、裁剪），这也是机器视觉能处理图像的前提。

（3） 机器视觉系统 —— 机器的 “眼睛 + 大脑”

简单说，机器视觉系统就是给机器装了 “眼睛” 和 “大脑”：

• “眼睛”：相机（拍图像）、镜头（聚焦）、光源（补光，让图像更清楚）；

• “大脑”：电脑 + 算法（处理图像、判断结果，比如 “这个零件有没有划痕”）。

比如工厂里检测手机屏幕，相机先拍屏幕的图像，算法再分析图像里的像素，最后告诉工人 “这屏是好的” 还是 “有划痕，不合格”。

二、下一步：图像怎么 “变清楚、变有用”？

（1） 灰度化 —— 给彩色图 “去色”，变黑白

很多时候，机器不需要看彩色，只需要看 “黑白” 就够了，这时候就要做 “灰度化”—— 把彩色图的 RGB 三色，转成黑白图的 “亮暗灰度”。

应用场景：当检测黑色塑料零件有没有缺角时，零件是黑、背景是白，彩色里的 “黑” 和黑白里的 “黑” 没区别，但转成黑白后，图像的数据量会少很多（彩色图每个像素存 3 个数字，黑白图只存 1 个），机器处理起来更快（比如原来 1 秒处理 10 张图，现在能处理 30 张）。

当然也有例外，如果要分 “红苹果” 和 “绿苹果”，就不能转黑白，得保留彩色。所以不论是机器视觉还是其他工程，所有的最优解决方案总是因地制宜的。

（2） 降噪 —— 擦掉图像里的 “小脏点”

拍图像时，可能会有 “小意外”：比如车间灯光闪了一下、相机有点旧，图像上就会出现密密麻麻的 “小脏点”（这叫 “噪声”）。

降噪就是 “擦掉这些小脏点”，比较常用两种简单方法（还有其他很多）：

• 均值滤波：像用橡皮擦轻轻擦，把脏点和周围的像素 “揉匀”，适合去掉淡淡的 “灰雾”；

• 中值滤波：像挑豆子，把脏点换成周围像素里 “中间亮度” 的那个，适合去掉明显的 “黑白小点”（比如相机老化出现的黑点）。

（3） 图像增强 —— 让 “看不清的细节” 变清楚

有时候拍的图像会 “有问题”：比如一张图片边缘模糊，对比性不强，这时候就要 “增强”。

比较常用的是 “直方图均衡化”—— 简单说就是 “把暗的地方调亮，亮的地方调暗”，让整个图像亮度均匀。下图是图像增强前后的对比：

三、再深入：机器怎么 “看懂” 图像？

（1）边缘检测 —— 找到物体的 “轮廓线”

比如我们看一个杯子，最先看到的是杯子的 “边”（轮廓），边缘检测就是让机器找到图像里物体的 “轮廓线”。

原理很简单：机器会看相邻像素的亮度变化 —— 如果一个像素是 “黑”（零件），旁边是 “白”（背景），这里就是 “边缘”。

（2） 阈值分割 —— 把 “目标” 和 “背景” 分开

就像在白纸上画了个黑圈，我们一眼能分清 “黑圈（目标）” 和 “白纸（背景）”，阈值分割就是让机器也能分清。

一般我们会选一个 “亮度阈值”（比如 127），把图像里亮度低于 127 的像素归为 “目标”（比如黑圈），高于 127 的归为 “背景”（比如白纸），这样就能把目标单独 “抠” 出来。

应用场景：检测传送带上的黑色零件，阈值设 127，机器会自动把黑色零件（亮度 <127）和白色传送带（亮度> 127）分开，方便后续检测零件有没有缺陷。

（3） 目标识别 —— 让机器知道 “这是什么”

简单说就是让机器 “认东西”，分两种简单情况：

• 模板匹配：比如要检测同一型号的螺丝，先给机器存一张 “标准螺丝图”（模板），然后机器把待检测的螺丝图和模板对比 —— 长得像（相似度 90% 以上）就是 “合格螺丝”，不像就是 “坏的”；

• 简单分类：比如分拣红、黄、绿三种糖果，机器会看像素的颜色 ——R 值高的是 “红糖果”，G 值高的是 “绿糖果”，这样就能分去不同的盒子里。

四、最后看：这些技术实际用在哪？

我们分别举几个简单的例子来说明这一套流程：

（1） 工业检测：替代人工 “挑次品”

• 场景：手机屏幕出厂检测；

• 过程：相机拍屏幕图像→灰度化 + 降噪（让图像干净）→边缘检测（看屏幕有没有碎边）→缺陷检测（看有没有划痕）；

• 效果：人工一天能检测 2000 块屏，机器一天能检测 10 万块，还不会累、不会看漏。

（2） 农业分拣：给水果 “分等级”

• 场景：苹果分拣；

• 过程：相机拍苹果图像→保留彩色（看颜色）→目标识别（区分红苹果、青苹果）→尺寸测量（看苹果大小，大的归 “一级果”，小的归 “二级果”）；

• 效果：不用人工一个个挑，机器每秒能分 10 个苹果，还能保证每个等级的苹果大小、颜色一致。

（3） 自动驾驶：帮汽车 “看路”

• 场景：汽车识别行人；

• 过程：车载相机拍路面图像→语义分割（把 “行人、车辆、道路” 分开）→目标识别（认出 “这是行人”）→距离计算（判断行人离车多远）；

• 效果：如果行人离车近，汽车会自动减速，避免撞到人。

（总目录跳转链接）https://blog.csdn.net/2301_80854159/article/details/153195046?spm=1001.2014.3001.5501