在開始接觸電腦視覺（Computer Vision）與影像處理時，我們必須先了解「電腦是如何看一張圖片的」。本文將透過一張簡單的貓咪測試圖，來拆解影像背後的資料結構與基礎觀念。
一、影像的維度：H × W × C
在程式碼中，一張圖片通常會被轉換為矩陣（NumPy Array），並具有三個主要維度：高度 (Height) $\times$ 寬度 (Width) $\times$ 通道數 (Channel)。
H 和 W 很好理解，就是圖片的長寬像素大小，而 C (Color Channel，顏色通道) 則決定了圖片的色彩構成：
- C = 1 (灰階圖片)：每個像素只需一個數值來表示亮度（黑到白）。
- C = 3 (標準彩色圖片)：由 R (紅)、G (綠)、B (藍) 三個通道組成。
- C = 4 (帶有透明度的圖片)：除了 RGB，還加上 A (Alpha) 通道來記錄透明度（例如去背的 PNG 圖檔）。
(透過程式將原圖轉換為灰階、縮放，以及拆分為獨立的 R、G、B 通道)
二、資料型態與像素值：什麼是 uint8？
當我們檢查影像矩陣的資料型態時，最常看見的是 uint8 (Unsigned 8-bit Integer，無號 8 位元整數)。這代表圖片中每一個像素的數值，都是一個介於 0 到 255 之間的正整數。
- 為什麼是 255？ 因為 8 位元 (8-bit) 在電腦中剛好可以組合出 $2^8 = 256$ 種變化。
- 數值的意義：在 RGB 中，0 代表該顏色最暗（不發光），255 代表該顏色最亮。例如 RGB
[255, 255, 255]組合起來就是純白色。
不過，並非所有圖片的範圍都是 0 到 255。如果遇到單眼相機的 RAW 檔或是醫療影像，它們可能是 16-bit 影像，數值範圍就會高達 0 到 65535，能保留更多光影細節，避免修圖時出現色階斷層。
三、電腦視覺實作的兩個「隱藏地雷」
在實際撰寫程式時，有兩個初學者常踩的坑必須特別注意：
- 座標原點永遠在「左上角」：
與數學課本的幾何座標不同，影像處理的絕對起點
(0, 0)位在左上角。X 軸向右遞增，而 Y 軸是向下遞增的。我們在實作時，常會印出左上角[0, 0]的像素值，來做資料格式與背景色的「健康檢查」。 - 套件的通道順序差異 (RGB vs. BGR)：
- 使用
PIL或Matplotlib讀取圖片時，預設順序是 RGB。 - 但是，使用業界最普及的
OpenCV(cv2) 讀取圖片時，預設順序卻是 BGR！若沒有做轉換就直接丟入 AI 模型訓練，會導致模型辨識顏色錯亂。
- 使用
四、影像直方圖 (Histogram)：看透圖片的體質
直方圖是影像處理中極為強大的分析工具。它統計了圖片中「每一個亮度數值 (0 到 255) 到底出現了幾次」。
(貓咪測試圖的 R、G、B 像素分佈直方圖)
透過觀察直方圖，我們可以快速判斷這張圖片的體質：
- 曝光狀況：如果圖表資料全部擠在左側（靠近 0），代表圖片太暗（曝光不足）；若擠在右側（靠近 255），則代表太亮（過曝死白）。
- 對比度：若資料均勻分佈在 0 到 255 整個區間，這張圖片通常對比度佳、細節清晰；若只集中在中間一小段，圖片看起來就會灰灰濛濛的。
- 進階應用：在演算法實作中，我們常利用直方圖來做「直方圖均衡化」自動增強對比，或是利用它來尋找閾值（Thresholding），完美地將前景與背景分離。
相關範例程式碼請參閱 Github：Example 1