图像数字化原理【细化扩充完整版｜采样 + 量化 + 编码，考点 + 原理 + 代码 + 易错点】
现实世界光线、景物是连续模拟信号（时域 / 空域连续、亮度连续） ，计算机只能存储离散数字，一张实景变成矩阵图像必经：采样 → 量化 → 编码三步，是整张图像处理理论根基。
1.1 采样 Sampling（空间离散化：坐标由连续→离散）
本质：在连续二维平面上等间距抽取坐标点，只保留采样位置的亮度，其余舍弃，实现空间维度离散。
1.1.1 空间采样（静态图片）
- 采样间隔Ts：相邻两个像素的物理距离；
- Ts越小 → 采样密度越高 → 分辨率越高、细节越丰富；
- Ts越大 → 采样稀疏 → 分辨率低、马赛克、细节丢失。
- 分辨率定义：W×H = 横向采样点数 × 纵向采样点数
- 1080P：1920 (宽采样数)×1080 (高采样数)
- 4K：3840×2160，同等尺寸画布采样点数量≈4 倍 1080P
- 奈奎斯特采样定理（采样核心考点） 图像细节对应空间高频信号，采样频率必须＞2 倍图像最高空间频率，否则发生混叠失真（摩尔纹、锯齿）。
例：斜条纹布料拍照出现诡异彩色波纹 = 采样不足导致混叠。
1.1.2 时域采样（动态视频）
视频是连续时序画面，对时间轴等间隔采样：FPS(帧率)=每秒时域采样画面数量
- 24FPS：1s 内采集 24 张静态图像；
- FPS 过低：画面卡顿、拖影（时域采样不足）。
补充：采样实操
OpenCV 图像缩放降分辨率 = 人为减少采样点：
python
运行
import cv2
img = cv2.imread("test.jpg")
# 缩小=减少采样点数，分辨率下降
img_low = cv2.resize(img,(320,240))1.2 量化 Quantization（亮度离散化：灰度由连续→有限整数）
采样只固定了像素位置，每个采样点的亮度依旧是连续实数；量化：把无穷连续的亮度区间，划分成N个区间，同一区间内所有亮度统一映射成同一个整数值。
1.2.1 量化级数与位深关系
N=2BitDepth
表格
| 位深 | 量化级数N | 像素取值范围 | 应用场景 |
|---|---|---|---|
| 1bit | 21=2 | 0,1 | 二值黑白图、文档扫描 |
| 8bit | 28=256 | 0∼255 | 日常 JPG/PNG、OpenCV 默认图像 |
| 16bit | 216=65536 | 0∼65535 | 相机 RAW 原图、医学 CT、工业视觉 |
| 32bit 浮点 | 连续 | 0.0∼1.0 | 深度学习归一化图像、中间计算图 |
1.2.2 量化误差 & 量化失真
量化取整带来的亮度差值 = 量化误差。
- 量化级数越少（位深越低）→误差越大；
- 典型失真：色带（色调分层）：天空渐变、墙面渐变从平滑过渡变成一块一块阶梯色块。
实操：8bit 转 1bit（二值化）是极端量化，大量灰度被合并，细节丢失严重。
python
运行
# 低量化演示：把0~255压缩为4个灰度等级（2bit）
img = cv2.imread("test.jpg",0)
img_quant = (img//64)*641.2.3 均匀量化 / 非均匀量化
- 均匀量化（通用图像）：每个灰度区间宽度相等，8bit 图像等分 0~255；
- 非均匀量化（JPG、人眼优化）：人眼对暗部更敏感，暗部量化区间更小、级数更密，亮部区间更大，同等 bit 下肉眼画质更好。
1.3 编码 Encoding（数据压缩存储，减少磁盘占用）
采样 + 量化完成后，原始裸数据（BMP 格式）体积极大，编码就是按照特定算法对像素矩阵压缩、规整格式，生成图片文件。
1.3.1 无损编码（压缩后解码和原图像素完全一致，无画质损失）
压缩原理：利用像素重复冗余（大面积纯色、连续相同灰度），不丢弃任何像素信息
- BMP：无压缩原始位图，直接存储全部像素，体积最大；
- PNG：DEFLATE 无损压缩，支持 Alpha 透明通道；
- TIFF：工业无损格式，支持 16bit 高位深图像。
1.3.2 有损编码（丢弃人眼不敏感高频细节，大幅压缩体积）
压缩时剔除图像高频信息（细小纹理、细微噪点），解压无法还原原始像素：
- JPEG：基于 DCT 离散余弦变换，丢弃高频细节；压缩率越高画质越差；
关键坑：JPG 反复保存 = 多次有损压缩，画质逐级劣化、越来越糊。
拓展串联知识点（衔接前文）
- 采样 → 决定图像分辨率 (H,W)
- 量化 → 决定图像位深、像素取值范围 (uint8/uint16)
- 编码 → 决定**文件格式 (JPG/PNG/BMP)**三者共同决定一张图片的内存占用：单张 8bit 1920×1080 灰度原图裸内存：1920×1080×1 Byte