要把一个真实的图像进行数字化处理，必须先把图像转换成有限的数字形式，或者说转换成有限的像点(像素)，包括像点(像素)的坐标和像点(像素)反射光的强度。这个转换过程我们称为图像的采集与量化，如上图所示：
图A是原图，B是采集(坐标)，C是量化(反射光的强度)
经过采集与量化的数字图像通常用矩阵来表示，其原点是从矩阵的左上角开始，其数字是代表像素的灰度水平。如果一个数字图像的最高灰度水平是2的N次方，那么我们就把这个数字图像称为N位(N-BIT)的图像。
我们常用的两种对图像的操作就是放大(ZOOM)或缩小(SHRINK)，这两种操作都会降低图像的分辨率，原因是这两种操作都使用了插值(内插或外插)运算。
平时我们还常常碰到的一个问题是折叠失真或叫做锯齿现象(ALIASING)，特别发生在物体边缘，这是由于图像采集的间距大于两个相邻像素距离的一半。当这种情况出现在物体的边缘的时候就非常明显。有一些像素“跨”在物体的边缘，该像素内部的色彩是有一定比例的，而且在外部的显示我们也希望体现出这一比例。物体的边缘两边却会呈现出不同的颜色（否则我们就不称之为边缘了）。点采样技术将会使得整个像素呈现出边缘两边的某一种颜色。而这样对物体边缘的着色无论是着上前景色或是背景色中的哪一种色，由于像素间色彩的突然跳变，都自然而然的会呈现出锯齿状。这种情况就是我们所说的折叠失真或锯齿(aliasing)了。这是由于这一个像素的面积正好覆盖在了边缘上，两边都有它的存在。一个更好的办法就是将前景色和背景色进行混合从而造出第三种颜色来填充色一像素。这种方法能有效的改进图像边缘的表现效果，换一种说法就是实现了“抗”锯齿的作用。
说到像素，那就离不开像素间的相邻关系。像素间的有两种基本相邻关系，一种是4点相邻，另一种是8点相邻。如下图所示：
在图像处理中恐怕大家比较熟悉就是对图像亮度和对比度的调整了。我们以最简单的2位(2-BIT)灰度水平的图像为例来看看图像亮度调整是什么意思。2位(2-BIT)灰度水平的图像由黑(0值)和白(1值)组成。通常我们对这样的黑白图像的一个简单处理就是取得它的负片(NAGATIVE)，对2位(2-BIT)灰度水平的图像来说就是把0换成1，把1换成0。如下列公式所示：
以此类推，对8位(8-BIT)灰度水平的负片处理就如下列公式所示：
注：2的8次方等于256
下图是一熊猫图像和它的负片：
我们把以上的公式再推广成更一般的表达式：
这就是我们所说的GAMMA亮度变换。通过改变公式中的2个常数，就可以改变图像亮度。假设C等于1，对不同的GAMMA值，图像亮度会不同，如下图所示：
其中图A的GAMMA为2，图B的GAMMA值为0.5
此外，图像处理中常常用到直方图，亮度直方图直观的显示了图像亮度的分布状况。计算亮度直方图需要将灰度空间划分为若干小的灰度区间，即直方图的bin。bins即代表有不同灰度水平，通过下列公式计算灰度在每个小区间内的像素得到亮度直方图。
下图所示为一64bin的亮度直方图：
图中的横坐标表示灰度值，纵坐标表示该灰度值出现的次数(频率)。从上面的亮度直方图我们发现，该图像的很大一部分像素落在区间[0,50]和[180,255]内，只有很少一部分像素落在区间[50,180]内，这使图像的一部分细节很难被看见，譬如山上的树木。这个问题可以使用直方图均衡化的技术加以改善。
直方图均衡化的基本思想是把原始图像的亮度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，按下列公式计算
重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图。下图为经过均衡化后的图像：
这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景杂讯的对比度并且降低有用信号的对比度。直方图均衡化是一种最常用的直方图修正。它是把给定图象的直方图分布改造成均匀直方图分布。由信息学的理论来解释，具有最大熵(信息量)的图象为均衡化图象。直观地讲，直方图均衡化导致图象的对比度增加。
谈直方图均衡化，那就不得不提及什么是直方图匹配。直方图均衡化其实是直方图匹配的一种特例。直方图匹配是将图像直方图以期望图像的直方图为标准作变换，使两图像的直方图相同和近似，从而使两幅图像具有类似的色调和反差。直方图匹配可按如下三步进行：
仍然用前面的例图，计算的结果如下图所示：
a为原图直方图的累极分布；b为期望直方图；c为期望直方图的累极分布；d为计算后的图形
在图像处理中滤波运算是一种基本的运算，其可以用来改善图像的质量，减少噪声，识别图像的边缘和增加图像的对比度。
信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。滤波的目的有两个：一是抽出对象的特征作为图像识别的特征模式；另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条:一是不能损坏图像的轮廓及边缘等重要信息；二是使图像清晰视觉效果好。
图像的滤波方法很多，主要可以分为频率域法和空间域法两大类。频率域法的处理是在图像的某种变换域内，对图像的变换系数值进行运算，然后通过逆变换获得增强图像。这是一种间接的图像滤波方法。空间滤波方法是一类直接的滤波方法，它在处理图像时直接对图像灰度作运算。
空间域滤波方法包括了中值滤波，均值滤波，高斯滤波等等。不同的名称代表了不同的滤波函数，有时我们把滤波函数也叫做滤波器的遮罩、掩模(MASK)或滤波器的核(KERNEL)。它们大致分为两类，一种是线性滤波，另一种是次序统计(ORDER STATISTIC)滤波。对线性线性滤波来说，其运算可以通过卷积来完成，即输出图像的任一像素是由输入图像中该像素的相邻像素按一定权重迭加而得。而对次序统计滤波来说，输出图像的任一像素是由输入图像中该像素的相邻像素按一定统计法则计算而得，譬如中值滤波器，这类滤波器通常都是非线性的，而且不容易在频率域内实现。总之空间域滤波器的要素是：
频率域滤波是将图像从空间或时间域转换到频率域，再利用变换系数反映某些图像特征的性质进行图像滤波的方法。傅立叶变换是一种常用的变换。在傅立叶变换域，频谱的直流分量正比于图像的平均亮度，噪声对应于频率较高的区域，图像实体位于频率较低的区域。图像在变换具有的这些内在特性可被用于图像滤波。可以构造一个低通滤波器，使低频分量顺利通过而有效地阻于高频分量，即可滤除图像的噪声，再经过反变换来取得平滑的图像。
