图像表示：从传统方法到现代技术

在当今的计算机视觉领域，图像表示是一项至关重要的任务。它不仅能够帮助我们更高效地处理和分析图像，还在图像生成、分类等多个方面发挥着关键作用。

图像的本质与表示需求

图像本质上是矩阵，彩色图像包含红、绿、蓝（RGB）三个颜色通道，由三个矩阵拼接而成；而灰度图像只有一个通道，用一个矩阵表示。图像表示就是将图像矩阵（灰度或 RGB）从其正常维度转换为更低维度，同时保留图像最重要的特征。

为什么要在低维度分析图像呢？主要原因是节省计算资源。当我们只处理单个图像时，计算量的问题可能不明显，但在计算机视觉的机器学习中，通常需要分析成千上万的图像，此时高效计算就变得至关重要。例如，在某些算法中，处理左侧图像时可能需要分析 27 个特征，而处理中间图像时，根据图像维度的不同，可能要分析数千个特征。

此外，并非图像的每个方面对于其特征描述都很重要。比如有两张图像，一张全黑，另一张是中间有个白点的黑色图像，要找出这两张图像的差异，左上角的黑色像素对结果的影响并不大。

图像分析的内容与传统方法

当我们观察一组图像时，很容易发现它们的相似性和差异性，这些差异可能是结构上的（如光强度、模糊、噪声），也可能是