Sensor的感光原理是通过一个一个的感光点对光进行采样和量化，但在Sensor中，每一个感光点只能感光RGB三基色中的一种颜色（这个颜色可以理解为像素的一个颜色分量，并不是最终的图像显示的颜色，最终图像显示的颜色是由RGB三个颜色分量组合构成，根据RGB三个颜色分量的值不同，组合成不同的颜色）。所以，通常所说的30万像素或130万像素等，指的是有30万或130万个感光点，每一个感光点只能感光三基色中的一种颜色。

单个像素所能表达的颜色数量和像素的位深度有关

工业相机输出的原始数据格式和像素的位深度无关，不同类型的原始数据格式的RGB RAW DATA 排列格式不同，

像素可以看做是图像中的小方格，图像是由很多的小方格组成，这些小方格都有一个明确的位置和被分配的色彩数值，小方格颜色和位置就决定该图像所呈现出来的样子。

可以将像素视为整个图像中不可分割的单位或者是元素。不可分割的意思是它不能够再切割成更小单位抑或是元素，它是以一个单一颜色的小格存在。

像素是表示的图像的最小单位

位深度，是用来表示每个像素储存信息的位数。像素的位深度决定这个像素所能表达的颜色数量，一般常见的有8位、16位、24位或32位色彩，可以通过取二的色彩深度次幂来得到所能表达的颜色的数量。 

例如，常见的取值有 ：

8 bpp[2^8=256；(256色)]；

16 bpp[2^16=65536； （65,536色，称为高彩色）]；

24 bpp[2^24=16777216； (16,777,216色，称为真彩色）]；

48 bpp[2^48=281474976710656；281,474,976,710,656色，用于很多专业的扫描仪]。

一个字节表示一个像素是灰度图像，三个字节表示一个像素是RGB图像，一个字节8位位深度为8，三个字节位深度为24位。        

我觉得很多设计师没有搞懂分辨率和像素的原因是因为没有弄明白什么是英寸。我们小时候家里的电视机会说21寸大彩电，25寸大彩电，29寸大彩电等。包括手机我们也会说4.7英寸，5.0英寸等。但是显示屏毕竟是一个面，而你用英寸来表示一个面，所以在很多人心中会把英寸误以为是一个面积单位，也就是说把英寸看成了是平方英寸。

而把英寸看成是面积单位的设计师就会对分辨率产生完全不一样的认识。其实这里的英寸是指屏幕对角线的长度，英寸实际上是长度单位。

分辨率可以分为两种，ppi和dpi

当图片尺寸以像素为单位时，我们需要指定其固定的分辨率，才能将图片尺寸与现实中的实际尺寸相互转换。例如大多数网页制作常用图片分辨率为72，即每英寸像素为72，1英寸等于2.54厘米，那么通过换算可以得出每厘米等于28像素；又如15x15厘米长度的图片，等于420*420像素的长度。       

 分辨率越高通过换算得出每厘米的像素个数越多，所能表达的图像细节就越多

       相机所说的像素，其实是最大像素的意思，像素是分辨率的单位，这个像素值仅仅是相机所支持的有效最大分辨率。

       分辨率决定了位图图像细节的精细程度。

       通常情况下，图像的分辨率越高，所包含的像素就越多，图像就越清晰，印刷的质量也就越好。同时，它也会增加文件占用的存储空间。

通常，“分辨率”被表示成每一个方向上的像素数量，比如640X480等。某些情况下也可以同时表示成“每英寸像素”（ppi）以及图形的长度和宽度。比如72ppi，和8X6英寸。

一张分辨率为640 x 480的图片，那它的分辨率就达到了307200像素，也就是我们常说的30万像素，而一张分辨率为1600 x 1200的图片，它的像素就是200万。这样，我们就知道，分辨率的两个数字表示的是图片在长和宽上占的点数的单位。一张数码图片的长宽比通常是4：3

30万 640×480

50万 800×600

80万 1024×768 5” （3.5×5英寸）

130万 1280×960 6” （4×6英寸）

200万 1600×1200 8”（6×8英寸) 5”（3.5×5英寸）

310万 2048×1536 10”（8×10寸） 7”（5×7英寸）

430万 2400×1800 12”（10×12英寸） 8”（6×8英寸）//图像在尺寸相同的情况下，像素不同，分辨率不同

500万 2560×1920 12”（10×12英寸） 8”（6×8英寸）//图像在尺寸相同的情况下，像素不同，分辨率不同

600万 3000×2000 14”（11×14英寸） 10”（8×10寸）

800万 3264×2488 16”（12×16英寸） 10”（8×10寸）

1100万 4080×2720 20”（16×20英寸） 12”（10×12英寸）

1400万 4536×3024 24”（18×24英寸） 14”（11×14英寸）

以上都是大约尺寸。

​因为一个像素的颜色是由RGB三个值来表现的，所以像素矩阵对应三个颜色向量矩阵，分别是R矩阵(500 *338大小)，G矩阵(500 *338大小)，B矩阵(500 *338大小)。如果每个矩阵的第一行第一列的值分别为：R：240，G：223，B：204，这个像素的颜色是（240,223,204）

在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。一般有分量法 最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。

RGB(50,50,50)代表灰度值为50。

灰度化处理

一般灰度化处理的方法：在灰度化的图像中灰度值的范围为0~255

1.浮点算法：Gray=R*0.3+G*0.59+B*0.11                R=G=B

2.整数方法：Gray=(R*30+G*59+B*11)/100              R=G=B

3.移位方法：Gray =(R*28+G*151+B*77)>>8            R=G=B

4.平均值法：Gray=（R+G+B）/3                            R=G=B

5.仅取绿色：Gray=G                                              R=G=B

二值化处理的方法：

二值化就是让图像的像素矩阵中的每个像素的灰度值为0（黑色）或者255（白色），也就是让整个图像呈现只有黑和白的效果。在二值化后的图像中的灰度值范围是0或者255。那么一个像素在灰度化之后的灰度值怎么转化为0或者255呢？比如灰度值为100，那么在二值化后到底是0还是255?这就涉及到取一个阀值的问题。

1、取阀值为127（相当于0~255的中数，（0+255）/2=127），让灰度值小于等于127的变 为0（黑色），灰度值大于127的变为255（白色），这样做的好处是计算量小速度快，但是 缺点也是很明显的，因为这个阀值在不同的图片中均为127，但是不同的图片，他们的颜色分布差别很大，所以用127做阀值，白菜萝卜一刀切，效果肯定是不好的。

2、计算像素矩阵中的所有像素的灰度值的平均值avg

（像素点1灰度值+...+像素点n灰度值）/ n = 像素点平均值avg，然后让每一个像素点与avg一 一比较，小于等于avg的像素就为0（黑色），大于avg的 像 素为255（白色），这样做比方法1好一些。

3、使用直方图方法（也叫双峰法）来寻找二值化阀值，直方图是图像的重要特质。直方图方法 认为图像由前景和背景组成，在灰度直方图上，前景和背景都形成高峰，在双峰之间的最低谷处就是阀值所在。取到阀值之后再一 一比较就可以了。

如果对于一张本身就是灰度图像（8位灰度图像）来说，他的像素值就是它的灰度值，如果是一张彩色图像，则它的灰度值需要经过函数映射来得到。灰度图像是由纯黑和纯白来过渡得到的，在黑色中加入白色就得到灰色，纯黑和纯白按不同的比例来混合就得到不同的灰度值。R=G=B=255为白色，R=G=B=0为黑色，R=G=B=小于255的某个整数时，此时就为某个灰度值。

图像分辨率指图像中存储的信息量，是每英寸图像内有多少个像素点，分辨率的单位为PPI(Pixels Per Inch)，通常叫做像素每英寸

对比度 =  最大亮度/最小亮度