图像是由像素按照行和列的网格排序组成的二维矩阵。像素是图像的最小单位，每个像素包含颜色信息RGB,Red红色，green （绿色）B（blue）蓝色，每个像素的颜色由这三个分量的强度决定，每个分量的强度值可以是从0到255的整数，分别代表0%到100%的亮度。每个像素都对应于图像上的一个特定位置，像素的大小决定了图像的分辨率。分辨率越高，图像越清晰，每个像素代表的区域就越小。

• RGB (255, 0, 0) 表示纯红色，因为红色分量的强度是255，而绿色和蓝色分量的强度是0。
• RGB (0, 255, 0) 表示纯绿色，因为绿色分量的强度是255，而红色和蓝色分量的强度是0。
• RGB (0, 0, 255) 表示纯蓝色，因为蓝色分量的强度是255，而红色和绿色分量的强度是0

调整图像的亮度、对比度、饱和度等都是通过对每个像素的颜色值进行操作来实现的。

图片采集方法通常分为实时采集和非实时采集，实时采集的有传感器（如摄像头、扫描仪、传感器网络等），卫星遥感采集，非实时采集的有扫描仪、无人机拍摄、3d扫描、图像处理软件。

图像数据标注类型：

1. 关键点标注：

   • 在关键点标注中，标注者需要在图像中标识出对象的关键点，如人的眼睛、鼻子、耳朵等。这些关键点有助于后续的识别和跟踪任务。

2. 矩形框标注：

   • 矩形框标注是标注对象边界框的一种常见方式。标注者需要在图像中为每个对象绘制一个矩形框，以准确地标识出对象的位置和大小。
   • 矩形框的大小应该根据目标对象的实际大小来调整，以确保模型能够准确地识别和分类对象

3. 图像分割：

   • 图像分割是将图像分割成多个区域或像素块，每个块都与图像中的一个对象或对象的一部分相对应。这种标注方法通常用于语义分割和实例分割任务。
   • 图像的语义分割（Semantic Segmentation）可以简单地理解为“像素分类”。在图像的语义分割任务中，模型的目标是为图像中的每个像素点分配一个类别标签，这通常对应于图像中的对象、地面、天空等不同部分

4. 3D框标注：

   • 在3D框标注中，标注者需要为图像中的对象提供三维空间中的位置和尺寸信息。这通常涉及为对象绘制一个包围盒，并为其添加高度、宽度、深度等3D信息。

5. 属性标注：

   • 属性标注涉及为图像中的对象或场景添加额外的描述性信息，如颜色、类别、方向等。这种标注方法有助于模型学习对象的特征和属性。