大家好啊，我是董董灿。
最近发现不少小伙伴开始转行入门计算机视觉领域了。
最开始入门，除了学习经典的算法之外，还有一个点往往会被忽略，那就是了解我们研究的对象。
计算机视觉领域，无论图像识别、图像分类还是图像分割，研究的对象都是图像。图像的获取，要么通过摄像头拍摄，要么通过雷达等感知成像，不管怎么样，送给一个神经网络处理的，都是一个图像。
那了解图像，第一步就是了解像素，以及图像在计算机中是如何由像素堆积而成的。
1、像素
神经网络计算，算的就是像素之间的关系，以及这些关系背后可能隐藏的图片信息。
相机摄像头像素2000万，拍出来的照片肯定比像素1000万的要清晰。
我们更容易看到图片中的物体是什么。
这是为什么？因为像素越多，像素之间的关系（色彩，轮廓）越丰富，我们所能看到的信息就越多，自然而然获取到的信息就多。
（一张1080p的图片，我们可以更容易辨别出图像中的物体是山还是水。这是因为更多的像素会给眼睛更丰富的图片细节）
但是，你有没有发现。
当我们去看一张图片时，我们绝对不是盯着某一个像素或某几个像素看，而是看了整个图像的大部分区域，或者说，大部分像素！
因为只有看到了大部分的图片，才能知道图中是座山。正所谓，聚沙成山！绝不是少了一粒沙，山就不是山，多了一粒沙，就变成了山。
上图哆啦A梦，虽然不是很清晰，像素点数也很少，但一眼望去，依然可以分清是哆啦A梦，甚至，用手捂住一半的图像，依然可以。
2、像素局部性
这是因为人们对于图像信息的识别，是建立在对像素局部性分析的基础上的。
所谓局部性，通俗点说，就是眼睛或大脑会将相邻的像素或大片的像素连接起来分析，从而组合成嘴巴，然后是耳朵，最后是哆啦A梦。
神经网络识别图片大致就是这样的原理：它模拟的，就是人们看到图片之后的信息处理过程。
当我们盯着一个图片看时，我们首先会获取到图片的细节特征，比如哆啦A梦红色的大嘴巴。
但是如果仅仅盯着大嘴巴，又反而让人有一种"只缘身在此山中"的感觉，因此还需要看一下图像的轮廓。
于是，眼睛看图片大致有以下两个过程：
-
瞳孔放大，盯着某一处细节（如大嘴巴）看
-
瞳孔缩小，模糊的看一张图片的大致轮廓
两个过程获取的信息叠加，看清楚了，是哆啦A梦！
那么神经网络是否可以模拟这种瞳孔放大、缩小的方式呢？
很幸运，可以！
**卷积核**的设计，就可以很直观的模拟这种获取图片信息的方法。
人们通过调整卷积核的大小，来达到瞳孔张开、缩小的目的。
并且大量的实验和论文表明，卷积这一针对图像局部性识别的算法，可以非常有效的模拟人眼识别物体的过程。
3、图像数据
你有没有想过，为什么一张图片会是彩色的。
你可能会这么回答：因为图片是由RGB三种颜色来表示的，每个像素实际是不同的R/G/B分量的叠加，混合起来，就表示成了不同的颜色。
（三张分别表示R/G/B分量的图片，合成一张彩色图片）
没错，我们人眼可以很直观的看到红色和蓝色，可以察觉到一张图片的色彩和轮廓。
那么，如果让计算机来处理图片，他又是如何知道色彩和轮廓的呢？
其实对于计算机来说，一张图片只是一堆数据，计算机是无法知道这堆数据代表的是什么。
这就需要人为的给这堆数据一种表示方法，让计算机知道，哦，这1/3的数据是红色分量，这1/3的是蓝色分量，这些数据（像素）组合起来，可能代表的是个"帽子"。
数据在计算机的存储中，最常见的存储方式是连续存储的。
比如C语言，定义一个数组，那么数组在内存中的位置是连续的。
ini
int data[10] = {0,1,2,3,4,5,6,7,8,9};内存怎么理解，它就是一排连着的门牌号的公寓宿舍。
门牌号为101里面住着的，是data的第一个数据0。门牌号102里面住着的，是data的第二个数据1，...，以此类推。
只不过，在计算机存储器中，没有门牌号，有的都是地址。
这个时候，计算机根本就不关心数据是啥，计算机用到的时候，就把数据从内存对应的地址中取出来用。
如何取数据
这就需要人们为数据存储设计一种格式，告诉计算机，这堆数据大概是什么样的。只有这样，通过这种人为约定的方式，计算机才能正确的取到R分量或者B分量。
对于一张图片来说，最常见的两个参数是长和宽，一般用H（height) 和 W(width) 来表示，那么RGB三个分量，看作是3个通道（channel)，一般用 C 来表示。
如此一来，一张长宽分别是224像素*224像素的RGB图像，就可以用 HWC = 224, 224, 3来表示。两张类似的图片就用 NHWC = 2, 224, 224, 3表示，其中N代表图片张数。
（一张图片的抽象数据表示）
友好的数据表示方法，可以减少大量的计算复杂度。
虽然这样表示不太利于人们的直观理解，但是计算机处理这种数据是十分方便的。
在目前主流的深度学习框架中，对于图片的数据格式，基本都支持了NHWC或NCHW这种数据摆放格式。
说到底，都是为了更高效地进行图片数据的处理和运算。