4.3　圖像的基本屬性及種類

4.3.1　分辨率

分辨率可以從顯示分辨率與圖像分辨率兩個方向來分類。

顯示分辨率（屏幕分辨率）是屏幕圖像的精密度，是指顯示器所能顯示的像素有多少。由于屏幕上的點、線和面都是由像素組成的，顯示器可顯示的像素越多，畫面就越精細，同樣的屏幕區域內能顯示的信息也越多，所以分辨率是個非常重要的性能指標之一。可以把整個圖像想象成是一個大型的棋盤，而分辨率的表示方式就是所有經線和緯線交叉點的數目。顯示分辨率一定的情況下，顯示屏越小圖像越清晰，反之，顯示屏大小固定時，顯示分辨率越高圖像越清晰。

圖像分辨率指圖像中存儲的信息量，是每英寸圖像內有多少個像素點，分辨率的單位為ppi（pixel per inch），通常稱為像素每英寸。

分辨率決定了位圖圖像細節的精細程度。

通常情況下，圖像的分辨率越高，所包含的像素就越多，圖像就越清晰，印刷的質量也就越好。同時，它也會增加文件占用的存儲空間。

分辨率是度量位圖圖像內數據量多少的一個參數。通常表示成每英寸像素（pixel per inch，ppi）和每英寸點（dot per inch，dpi）。包含的數據越多，圖形文件的長度就越大，也能表現更豐富的細節。但更大的文件需要耗用更多的計算機資源、更多的內存、更大的硬盤空間等。假如圖像包含的數據不夠充分（圖形分辨率較低），就會顯得相當粗糙，特別是把圖像放大為一個較大尺寸觀看的時候。所以在圖片創建期間，必須根據圖像最終的用途決定正確的分辨率。這里的技巧是要保證圖像包含足夠多的數據，能滿足最終輸出的需要。同時要適量，盡量少占用計算機的資源。

分辨率和圖像的像素有直接關系。一張分辨率為640×480的圖片，它的分辨率就達到了307200像素，也就是常說的30萬像素；而一張分辨率為1600×1200的圖片，它的像素就是200萬。

在平面設計中，圖像的分辨率以ppi來度量，它和圖像的寬、高尺寸一起決定了圖像文件的大小及圖像質量。比如，一幅圖像寬8英寸、高6英寸，分辨率為100ppi，如果保持圖像文件的大小不變，也就是總的像素數不變，將分辨率降為50ppi，在寬高比不變的情況下，圖像的寬將變為16英寸、高將變為12英寸。打印輸出變化前后的這兩幅圖，會發現后者的幅面是前者的4倍，而且圖像質量下降了許多。那么，把這兩幅變化前后的圖送入計算機顯示器會出現什么現象呢？比如，將它們送入顯示模式為800×600的顯示器顯示，會發現這兩幅圖的畫面尺寸一樣，畫面質量也沒有區別。對于計算機的顯示系統來說，一幅圖像的ppi值是沒有意義的，起作用的是這幅圖像所包含的總的像素數，也就是前面所講的另一種分辨率表示方法：水平方向的像素數×垂直方向的像素數。這種分辨率表示方法同時也表示了圖像顯示時的寬高尺寸。前面所講的ppi值變化前后的兩幅圖，它們總的像素數都是800×600，因此在顯示時是分辨率相同、幅面相同的兩幅圖像。

圖像分辨率的表達方式也為“水平像素數×垂直像素數”，也可以用規格代號來表示。

不過需要注意的是，在不同的書籍中，甚至在同一本書中的不同地方，對圖像分辨率的叫法不同。除圖像分辨率這種叫法外，也可以叫做圖像大小、圖像尺寸、像素尺寸和記錄分辨率。在這里，“大小”和“尺寸”一詞的含義具有雙重性，它們都可以既指像素的多少（數量大小），又可以指畫面的尺寸（邊長或面積的大小），因此很容易引起誤解。由于在同一顯示分辨率的情況下，分辨率越高的圖像像素點越多，圖像的尺寸和面積也越大，所以往往有人會用圖像大小和圖像尺寸來表示圖像的分辨率。

4.3.2　顏色深度

顏色深度是指存儲每個像素所用的位數，它也是用來度量圖像的分辨率。像素深度決定彩色圖像的每個像素可能有的顏色數，或者確定灰度圖像的每個像素可能有的灰度級數。

顏色深度簡單說就是最多支持多少種顏色。一般是用“位”來描述的。“位”（bit）是計算機存儲器里的最小單元，用來記錄每一個像素顏色的值。圖形的色彩越豐富，“位”的值就會越大。每一個像素在計算機中所使用的這種位數就是“位深度”。在記錄數字圖形的顏色時，計算機實際上是用每個像素需要的位深度來表示的。

黑白二色的圖形是數字圖形中最簡單的一種，它只有黑、白兩種顏色，也就是說它的每個像素只有1位顏色，位深度是1，用2的一次冪來表示；4位顏色的圖，它的位深度是4，用2表示，它有2的4次冪種顏色，即16種顏色或16種灰度等級。8位顏色的圖，位深度就是8，用2的8次冪表示，它含有256種顏色（或156種灰度等級）。24位顏色可稱為真彩色，位深度是24，它能組合成2的24次冪種顏色，即16777216種顏色，超過了人眼能夠分辨的顏色數量。當用24位來記錄顏色時，實際上是以28×3，即紅、綠、藍三基色各以2的8次冪（256）種顏色而存在的，三色組合就形成一千六百萬種顏色。

顏色深度越大，圖片占的空間越大，如表4-1所示。

雖然顏色深度越大能顯示的色數越多，但并不意味著高深度的圖像轉換為低深度（如24位深度轉為8位深度）就一定會丟失顏色信息，因為24位深度中的所有顏色都能用8位深度來表示，只是8位深度不能一次性表達所有24位深度色而已（8位能表示256種顏色，這256色可以是24位深度中的任意256色）。

4.3.3　圖像的大小及種類

1.圖像的大小

圖像大小的長度與寬度是以像素為單位的，有的是以厘米為單位。像素與分辨率像素是數碼影像最基本的單位，每個像素就是一個小點，而不同顏色的點（像素）聚集起來就變成一幅動人的照片。數碼照相機經常以像素作為等級分類依據，但不少人認為像素點的多少是CCD光敏單元上的感光點數量，其實這種說法并不完全正確，目前不少廠商通過特殊技術，可以在相同感光點的CCD光敏單元下產生分辨率更高的數碼相片。

圖片分辨率越高，所需像素越多，比如，分辨率640×480的圖片，大概需要30萬像素，2084×1536的圖片，則需要高達314萬像素。

分辨率可有多個數值，相機提供分辨率越多，拍攝與保存圖片的彈性越高。

圖片分辨率和輸出時的成像大小及放大比例有關，分辨率越高，成像尺寸越大，放大比例越高。

總像素數是指CCD含有的總像素數。不過，由于CCD邊緣照不到光線，因此有一部分拍攝時用不上。從總像素數中減去這部分像素就是有效像素數。

2.圖像的種類

（1）基于色彩特征的索引技術

色彩是物體表面的一種視覺特性，每種物體都有其特有的色彩特征。比如，人們說到綠色往往是和樹木或草原相關，談到藍色往往是和大海或藍天相關。同一類物體往往有著相似的色彩特征，因此可以根據色彩特征來區分物體。用色彩特征進行圖像分類可以追溯到Swain和Ballard提出的色彩直方圖的方法。由于色彩直方圖具有簡單且隨圖像的大小、旋轉變化不敏感等特點，得到了研究人員的廣泛關注，目前幾乎所有基于內容分類的圖像數據庫系統都把色彩分類方法作為分類的一個重要手段，并提出了許多改進方法，歸納起主要可以分為兩類：全局色彩特征索引和局部色彩特征索引，如圖4-16所示。

（2）基于紋理的圖像分類技術

紋理特征也是圖像的重要特征之一，其本質是刻畫像素的鄰域灰度空間分布規律。由于它在模式識別和計算機視覺等領域已經取得了豐富的研究成果，因此可以借用到圖像分類中。

在20世紀70年代早期，Haralick等人提出紋理特征的灰度共生矩陣表示法（Eo-occurrenee Matrix Representation），這個方法提取的是紋理的灰度級空間相關性（gray level Spatial dependence），它首先基于像素之間的距離和方向建立灰度共生矩陣，再由這個矩陣提取有意義的統計量作為紋理特征向量。基于一項人眼對紋理的視覺感知的心理研究，Tamuar等人提出可以模擬紋理視覺模型的6個紋理屬性，分別是粒度、對比度、方向性、線型、均勻性和粗糙度。QBIC系統和MARS系統采用的就是這種紋理表示方法。

在20世紀90年代初期，當小波變換的理論結構建立起來之后，許多研究者開始研究如何用小波變換表示紋理特征。Smiht和Chang利用從小波子帶中提取的統計量（平均值和方差）作為紋理特征。這個算法在112幅Brodatz紋理圖像中達到了90％的準確率。為了利用中間帶的特征，Chang和Kuo開發出一種樹形結構的小波變化來進一步提高分類的準確性。還有一些研究者將小波變換和其他變換結合起來以得到更好的性能，如Thygaarajna等人結合小波變換和共生矩陣，以兼顧基于統計的和基于變換的紋理分析算法的優點。

（3）基于形狀的圖像分類技術

形狀是圖像的重要可視化內容之一。在二維圖像空間中，形狀通常被認為是一條封閉的輪廓曲線所包圍的區域，所以對形狀的描述涉及對輪廓邊界的描述以及對這個邊界所包圍區域的描述。目前基于形狀分類方法大多圍繞著從形狀的輪廓特征和形狀的區域特征建立圖像索引。對形狀輪廓特征的描述主要有直線段描述、樣條擬合曲線、傅里葉描述以及高斯參數曲線等。Photoshop中有很多形狀展示，如圖4-17所示。

實際上更常用的辦法是采用區域特征和邊界特征相結合來進行形狀的相似分類。如Eakins等人提出了一組重畫規則并對形狀輪廓用線段和圓弧進行簡化表達，然后定義形狀的鄰接族和形族兩種分族函數對形狀進行分類。鄰接分族主要采用了形狀的邊界信息，而形狀形族主要采用了形狀區域信息。在形狀進行匹配時，除了每個族中形狀差異外，還比較每個族中質心和周長的差異，以及整個形狀的位置特征矢量的差異，查詢判別距離是這些差異的加權和。

（4）基于空間關系的圖像分類技術

在圖像信息系統中，依據圖像中對象及對象間的空間位置關系來區別圖像庫中的不同圖像是一個非常重要的方法。因此，如何存儲圖像對象及其中對象位置關系以方便圖像的分類，是圖像數據庫系統設計的一個重要問題。而且利用圖像中對象間的空間關系來區別圖像，符合人們識別圖像的習慣，所以許多研究人員從圖像中對象空間位置關系出發，著手對基于對象空間位置關系的分類方法進行了研究。早在1976年，Tanimoto提出了用像元方法來表示圖像中的實體，并提出了用像元來作為圖像對象索引。隨后被美國匹茲堡大學Chang采納并提出用二維符號串（2D-String）的表示方法來進行圖像空間關系的分類。由于該方法簡單，并且對于部分圖像來說可以從2D-String重構它們的符號圖，因此被許多人采用和改進。該方法的缺點是僅用對象的質心表示空間位置；其次是對于一些圖像來說不能根據其2D-String完全重構其符號圖；再則是上述的空間關系太簡單，實際中的空間關系要復雜得多。針對這些問題許多人提出了改進方法。Jungert用圖像對象的最小包圍盒分別在x軸方向和y軸上的投影區間之間的交疊關系來表示對象之間的空間關系，隨后Cllallg和Jungert等人又提出了廣義2D-String（2DG-String）的方法，將圖像對象進一步切分為更小的子對象來表示對象的空間關系。該方法的不足之處是當圖像對象數目比較多且空間關系比較復雜時，需要切分的子對象的數目很多，存儲的開銷太大。針對此Lee和Hsu等人提出了2DC-String的方法，它們采用Anell提出的13種時態間隔關系并應用到空間投影區間上來表達空間關系。在x軸方向和y軸方向的組合關系共有169種，他提出了5種基本關系轉換法則，在此基礎上又提出了新的對象切分方法。采用2DC-String的方法比2DG-String切分子對象的數目明顯減少。為了在空間關系中保留兩個對象的相對空間距離和對象的大小，Huang等人提出了2DC-String的方法提高符號圖的重構精度，并使對包含對象相對大小、距離的符號圖的推理成為可能。上述方法都涉及將圖像對象劃分為子對象，且在用符號串重構對象時處理時間的開銷都比較大。為解決這些方法的不足，Lee等人又提出了2DB-String的方法，它不要求對象進一步劃分，用對象的名稱來表示對象的起點和終點邊界。為了解決符號圖的重構問題，Chin-Chen Chang等人提出了面向相對坐標解決符號圖的重構問題，Chin-Chen Chang等人提出了面向相對坐標符號串表示（RCOS串），它們用對象最小外接包圍盒的左下角坐標和右上角坐標來表示對象之間的空間關系。

對于對象之間的空間關系采用，Allen提出了13種區間表示方法。實際上上述所有方法都不是和對象的方位無關，為此Huang等人又提出了RSString表示方法。雖然上述各種方法對圖像對象空間信息的分類起到過一定作用，但它們都是采用對象的最小外接矩形來表示一個對象空間位置，這對于矩形對象來說是比較合適的，但是當兩個對象是不規則形狀且它們在空間關系上是分離時，它們的外接矩形卻存在著某種包含和交疊，結果出現對這些對象空間關系的錯誤表示。用上述空間關系進行圖像分類都是定性的分類方法，將圖像的空間關系轉換為圖像相似性的定量度量是一個較為困難的事情。Nabil綜合2D-String方法和二維平面中對象之間的點集拓撲關系。提出了2D-PIR分類方法，兩個對象之間的相似與否就轉換為兩個圖像的2D-PIR圖之間是否同構。2D-PIR中只有圖像對象之間的空間拓撲關系具有旋轉不變性，在進行圖像分類的時候沒有考慮對象之間的相對距離。