图像与视频基础：像素与色彩空间、帧率分辨率、噪声模型

各位同学好，欢迎来到第二章。这一章我们聊点基础，但别小看基础——我见过太多项目栽在这些看似简单的概念上。说白了，像素、色彩、帧率、噪声，这些东西搞不清楚，后面做运动补偿和低光照增强，你连问题出在哪都不知道。

2.1 像素——图像的最小单元

像素是什么？就是一张图里最小的那个点。每个像素存一个颜色值，成千上万个像素拼在一起，就成了我们看到的画面。

我习惯把像素想象成「数字世界的感光细胞」。每个细胞记录一个颜色，细胞越多，画面越细腻。

2.2 色彩空间——RGB 与 YUV

色彩空间，说白了就是「用哪套规则来描述颜色」。最常用的两套：RGB 和 YUV。

2.2.1 RGB 色彩空间

RGB 用红、绿、蓝三个通道叠加出所有颜色。每个通道 0-255，三个通道组合就是 1600 多万种颜色。显示器、摄像头传感器，基本都是 RGB 的天下。

但 RGB 有个问题——三个通道相关性太强。你调一下亮度，三个通道都得跟着变。这在视频压缩和图像处理里非常不友好。

2.2.2 YUV 色彩空间

YUV 把亮度（Y）和色度（U、V）分开。Y 通道存灰度信息，U、V 存颜色信息。人眼对亮度敏感，对颜色不敏感——所以视频压缩时可以对 UV 通道降采样，人眼看不出区别。

常见的 YUV 格式：

2.3 视频帧率与分辨率

帧率就是每秒显示多少帧画面，单位 fps。分辨率就是每帧有多少像素。

这两个参数直接决定了视频的流畅度和清晰度，也决定了你的算法要处理多少数据。

2.3.1 常见帧率

• 24 fps：电影标准，有「胶片感」
• 30 fps：电视、网络视频标准
• 60 fps：体育直播、游戏，画面丝滑
• 120/240 fps：慢动作拍摄，后期可以放慢 4-8 倍

做运动补偿时，帧率越高，相邻帧之间的运动位移越小，补偿效果越好。但数据量也越大——这是个 trade-off。

2.3.2 常见分辨率

2.4 噪声模型——图像质量的隐形杀手

噪声是什么？就是图像里不该出现的随机波动。低光照环境下，噪声尤其明显。你想想看，光线不足，传感器信号弱，噪声就相对变大了。

做低光照增强，本质上就是在「放大信号」和「抑制噪声」之间找平衡。搞懂噪声模型，是第一步。

2.4.1 高斯噪声

高斯噪声是最常见的噪声模型。它服从正态分布，每个像素独立叠加一个随机值。

数学上：I_noisy = I_clean + N(0, σ²)

σ 越大，噪声越强。高斯噪声通常来自传感器热噪声、电路噪声。

import numpy as np
import cv2

def add_gaussian_noise(image, sigma=25):
    noise = np.random.normal(0, sigma, image.shape).astype(np.int16)
    noisy = image.astype(np.int16) + noise
    noisy = np.clip(noisy, 0, 255).astype(np.uint8)
    return noisy

img = cv2.imread('frame.jpg')
noisy_img = add_gaussian_noise(img, sigma=30)

2.4.2 泊松噪声

泊松噪声跟光子计数有关。光线越弱，光子数越少，泊松噪声越明显。它有个特点：噪声强度跟信号强度成正比——亮的地方噪声大，暗的地方噪声小。

数学上：I_noisy = Poisson(I_clean)

泊松噪声在低光照场景下特别突出。我做过一个夜间监控项目，画面暗部全是颗粒感，那就是泊松噪声在作怪。

2.4.3 两种噪声的对比

2.5 本章知识体系

下面这张图把本章的核心概念串起来了。你可以看到像素、色彩空间、帧率分辨率、噪声模型之间的关系。

嗯，这一章的内容就到这里。像素、色彩空间、帧率分辨率、噪声模型——这四个概念是后续所有算法的基础。搞懂了它们，你才能理解为什么运动补偿要做亚像素插值，为什么低光照增强要先做噪声估计。