图像深度（Bit Depth）
1. 定义
图像深度是指图像中每个像素的每个通道，用于表示灰度或颜色的二进制位数。
也称“位深度（bit depth）”。
位深度越高，像素能够表示的颜色或灰度级越多，图像的精细程度越高。
例如：
- 8 bit：可表示 2⁸=256 个灰度或 256 种通道值
- 16 bit：可表示 65536 个通道值
- 32 bit float：浮点表示，主要用于科学计算或 HDR 图像
因此，图像深度决定图像的“精细程度”和“动态范围”。
2. 常见位深度
| 位深度 | 每通道数据类型 | 用途 |
|---|---|---|
| 8-bit (uint8) | 0–255 | 最常见，普通图像 |
| 10/12/14-bit | 高精度采集 | 视频 HDR、相机 RAW |
| 16-bit (uint16) | 0–65535 | 医学影像、遥感图像 |
| 32-bit float | 浮点值 | HDR、深度图、科学处理 |
| 64-bit float | 高精度计算 | 特殊科学场景 |
图像深度越大：
- 色彩过渡越平滑
- 可表示的亮度范围越大
- 文件体积越大
- 运算开销越大
3. 灰度图像的位深度示例
| 类型 | 位深度 | 灰度级数量 |
|---|---|---|
| 二值图像 | 1 bit | 黑/白 |
| 8-bit 灰度 | 256 级灰度 | 最常见 |
| 16-bit 灰度 | 65536 级灰度 | 医学、遥感 |
灰度图只有一个通道，但每个像素的位深度可以是 8、12、16 等。
图像通道数（Channels）
1. 定义
图像通道表示每个像素包含的独立信息层（components）。
例如：
- 灰度图：1 个通道（亮度）
- RGB 图：3 个通道（R, G, B）
- RGBA：4 个通道（R, G, B, A=透明度）
- YUV：通常是 3 通道（Y 亮度、UV 色度）
每个通道都存储对应的像素信息，多个通道组合可以形成彩色或多维信息图像。
2. 常见图像通道形式
| 通道数 | 类型 | 内容 |
|---|---|---|
| 1 通道 | 灰度图、深度图 | 单维信息 |
| 3 通道 | RGB/BGR | 大多数彩色图像 |
| 4 通道 | RGBA | 多了透明度层 |
| 多通道（>4） | 卫星遥感、医学 MRI | 多光谱/多模态数据 |
在图像处理中，通道越多，图像包含的信息维度越高，但存储与处理开销也随之增加。
图像深度与通道数的关系
1. 总体信息量
一个像素的数据量：
像素大小（字节） = (位深度 / 8) × 通道数例如：
| 图像类型 | 位深度 | 通道数 | 每像素数据量 |
|---|---|---|---|
| 灰度 8-bit | 8 bit | 1 | 1 字节 |
| RGB 24-bit | 8 bit ×3 | 3 | 3 字节 |
| RGBA 32-bit | 8 bit ×4 | 4 | 4 字节 |
| 16-bit RGB | 16 bit ×3 | 3 | 6 字节 |
图像深度用于描述每通道的精度；
通道数描述每个像素包含的不同信息层数。
它们彼此独立，但组合起来共同决定图像的数据规模。
2. 两者的典型误区
误区 1：RGB24 是 24-bit 深度图像
实际上：RGB 图像是 每个通道 8 bit，共 3 个通道
所以：
图像深度 = 8-bit
总位数 = 8 × 3 = 24 bit/pixel图像深度指“每通道”，不是指“所有通道合起来”。
误区 2：16-bit 图像一定是彩色
16-bit 经常用于灰度图（如医学 CT）
误区 3：通道数越多图像越清晰
清晰度与分辨率、像素大小相关，通道数不直接决定清晰度。
OpenCV 中如何表示深度与通道
OpenCV 使用 CV_<bit><type>C<channels> 表示图像格式。
1. 常见深度类型
| 类型 | 位深度 | Python dtype |
|---|---|---|
| CV_8U | 8-bit 无符号 | uint8 |
| CV_16U | 16-bit 无符号 | uint16 |
| CV_32F | 32-bit float | float32 |
2. 通道数标识
C1：1 通道C3：3 通道C4：4 通道
例如：
| OpenCV 类型 | 含义 |
|---|---|
CV_8UC1 | 8-bit 灰度图 |
CV_8UC3 | 8-bit 3 通道 RGB 图 |
CV_16UC1 | 16-bit 1 通道图（医学图） |
CV_32FC3 | 32-bit float 3 通道（科学计算） |
3. Python 实例
import cv2
img = cv2.imread("test.png", cv2.IMREAD_UNCHANGED)
print("dtype =", img.dtype)
print("shape =", img.shape) # H, W, channels例如输出：
dtype = uint8
shape = (1080, 1920, 3)说明：
- 图像深度 = 8-bit
- 通道数 = 3（RGB）
- 分辨率 = 1080×1920
总结
图像深度 = 每通道用于表示数值的 bit 数
例如：8-bit、16-bit、32-bit float
图像通道数 = 每个像素包含的独立信息层数
例如：1 通道灰度、3 通道 RGB、4 通道 RGBA
两者共同决定图像数据量：
数据量 = 分辨率 × 通道数 × (位深度/8)图像深度 ≠ 图像的“总错位数”，它是每通道的精度
例如 RGB24 图像：深度=8 bit，通道=3，共 24 bit/pixel。
深度影响图像精细程度，通道数影响信息维度
- 深度越高 → 灰度或颜色过渡越平滑
- 通道越多 → 携带信息更多