图像数字化是多媒体技术中看似基础、实则贯穿软考命题始终的核心概念。计算机世界里，任何一幅照片、海报或视频画面，最终都要被转换成一串二进制数字序列，计算机才能存储、处理、传输和显示。这个把连续图像转换为数字图像的过程，就是图像数字化。软考官方教材给出的标准表述是：图像数字化是指将连续空间和连续幅度值的图像转换为离散空间和离散幅度值图像的过程。这句话里有两个关键词值得反复咀嚼，一个是"连续空间"，一个是"连续幅度值"，它们分别对应数字化的两个核心环节——采样和量化。
要理解图像数字化，必须先厘清模拟图像与数字图像的本质区别。模拟图像在空间上是连续的，画面中每一个点，无论多小，理论上都存在颜色或亮度信息；同时它在幅度上也是连续的，亮度可以从最暗到最亮平滑过渡，中间存在无穷多个取值。而计算机只能处理离散的有限数据，因此必须把这两个维度的"连续"都打破，用有限个取样点和有限个数值等级来近似还原原始图像。采样解决空间维度的离散化问题，量化解决幅度维度的离散化问题，二者缺一不可，共同构成数字图像的生成基础。
在软考语境下，图像数字化很少单独作为名词解释题出现，而是隐藏在数据量计算、分辨率换算、颜色模型辨析等具体题目中。考生若只背下"采样加量化"这个结论，而没有真正理解两个环节各自负责什么、会引入什么误差、对图像质量有什么影响，面对计算题和辨析题就很容易失分。因此本文先给出精确定义，把术语边界划清楚，后续再深入到原理和命题陷阱中去。
采样是图像数字化的第一步，任务是在空间维度上把连续图像离散化。具体做法是用一组均匀的水平线和竖直线把图像分割成网格，每个小方格就是一个采样点，也就是将来的一个像素。采样越密，图像细节越丰富，看起来越清晰；采样越疏，图像越粗糙，甚至出现锯齿和颗粒感。软考中经常出现的"图像分辨率"，本质上就是采样结果的描述方式，告诉我们这幅图在水平和垂直方向各取了多少个采样点。
采样的物理本质是空间抽样。根据奈奎斯特采样定理，只有采样频率足够高、采样点足够密时，才能从离散样本中无失真地恢复连续信号。对于图像，这意味着要表现细纹理或陡边缘，就必须用高分辨率采样，否则会出现采样不足带来的混叠，直观表现就是斜线边缘的阶梯状锯齿。软考一般不考定理的数学推导，但"采样密度决定空间分辨率"这条底层逻辑，是理解后续所有分辨率题目的钥匙。
量化是图像数字化的第二步，任务是在幅度维度上把连续的灰度值或颜色值离散化。采样之后，每个像素点的亮度理论上仍是连续量，可取无穷多个值，计算机无法直接表示，因此需要把这些连续量划分成有限等级，每个等级用一个整数代表。量化等级数由量化位数决定，位数越多，可表示的灰度或颜色等级越丰富，色彩过渡越平滑；位数越少，等级跨度越大，图像越容易出现色带、断层和轮廓效应。
量化是图像数字化中误差的重要来源。采样是空间位置上的近似，量化是幅度取值上的近似，只要量化等级不是无限多，就必然存在舍入误差，即量化噪声。软考中关于图像质量的讨论，归根结底都可归结为采样误差与量化误差的权衡：分辨率越高、量化位数越多，图像质量越好，但数据量也越大，存储传输代价越高。理解了这一点，数据量计算公式背后的逻辑便水到渠成。
图像数字化的两个环节看似独立，实则共同决定了数字图像的三个关键参数：像素数量、像素深度和图像数据量。三者之间存在着严密的数量关系，软考计算题几乎都围绕这三者的换算展开。要真正吃透这部分，不能只记公式，而要理解公式背后每一层物理含义的由来。
像素是数字图像最基本的组成单元，是图像数字化的直接产物，对应采样环节中的一个采样点。一幅数字图像就是由大量像素按行列排列而成的矩阵，每个像素拥有确定的位置和确定的数值，该数值代表该位置的亮度或颜色。像素数量由采样分辨率决定，水平采样点与垂直采样点的乘积就是总像素数，即"多少万像素"。例如一幅四千零九十六乘以三千零七十二的图像，总像素超过一千二百万，习惯上称为一千二百万像素的照片。
像素本身并不包含物理尺寸信息。同一个像素数，既可压缩在小屏幕上显示，也可放大到墙上显示，像素数是与设备无关的抽象度量。只有当像素被赋予物理尺寸、即每个像素代表实际空间中的多大距离时，图像才具有真实的物理大小。这个连接像素数与物理尺寸的桥梁，就是每英寸像素数，也就是DPI，它把抽象的像素空间与真实的物理空间联系起来，是软考计算题中的高频换算点。
像素深度是数字图像中极其重要又极易混淆的概念，它指的是存储每个像素所需的二进制位数。这个定义必须精确理解：像素深度衡量的是单个像素的信息承载能力，而非整幅图像的信息量。它决定了每个像素能表达的灰度等级数或颜色数，具体关系是颜色数等于二的像素深度次方。像素深度为八位时，每个像素可表达二百五十六种颜色；为二十四位时，可表达一千六百七十七万多种颜色，即真彩色。
像素深度的含义要分灰度与彩色两种情形理解。对于灰度图像，一个像素只需一个数值表示亮度，像素深度就是量化灰度所用位数，八位灰度有二百五十六个等级。对于彩色图像，颜色由多个分量合成，以RGB模型为例，红、绿、蓝三分量的数值共同决定颜色，若每个分量都用八位量化，一个像素就需二十四位。可见像素深度是"每个像素所有颜色分量位数之和"，这是理解它与图像深度关系的关键。
图像数据量是软考计算题中最常考的量，计算逻辑非常直接：整幅图像需存储的数据总量，等于总像素数乘以每个像素所需位数。公式表达为，图像数据量等于水平分辨率乘以垂直分辨率再乘以像素深度。这里有一个几乎所有考生都踩过的坑，即单位换算：像素深度以"位"为单位，数据量习惯以"字节"为单位，二者相差八倍，因此必须把位的乘积除以八，才能得到以字节为单位的数据量。
这条公式背后是清晰的分层逻辑。水平分辨率乘垂直分辨率得到总像素数，反映采样环节的空间离散程度；像素深度反映量化环节的幅度离散程度；二者乘积就是把两个维度的离散化结果综合起来，得到整幅图像的信息总量。图像数据量是数字化代价的直接度量，它解释了为何高清真彩色图像占据巨大存储空间，也解释了为何需要JPEG等压缩编码来削减数据量。
图像数字化的参数不同，产生的图像类型也不同。按像素深度从低到高排列，数字图像可划分为二值图像、灰度图像、索引彩色图像和真彩色图像几个层次，每层在颜色表达能力、数据量和典型应用场景上都有明确差异。软考命题时，经常要求考生根据给定像素深度或颜色数判断图像类型，或反向由图像类型反推像素深度和数据量。
二值图像是最简单的数字图像，每个像素只有两个取值，非黑即白，像素深度只有一位，数据量极小，通常用于文字扫描、条码识别、文档影像等只关注轮廓形状、对颜色无要求的场景。题目中若出现"只有黑和白两种颜色"的描述，对应的就是一位像素深度的二值图像。灰度图像更进一步，每个像素用一个数值表示亮度，取值等级由量化位数决定，常见的八位灰度有二百五十六个等级，从纯黑到纯白平滑过渡，常用于医学影像、遥感图像、黑白摄影等只需亮度信息的领域。
索引彩色图像是在数据量约束下实现彩色显示的折中方案，核心机制是引入调色板。它的像素不直接存储颜色分量数值，而是存储一个指向调色板的索引号，调色板中预定义一组颜色，每个索引对应其中一种。常见的索引彩色图像采用八位像素深度，最多可索引二百五十六种颜色。其优势在于数据量远小于真彩色，每个像素只需八位而非二十四位，代价是整幅图同时只能使用调色板里有限的二百五十六种颜色，无法表现平滑丰富的过渡。索引彩色图像在早期计算机图形、GIF格式和图标设计中应用广泛，软考中关于GIF的题目往往与索引颜色和调色板机制相关。
真彩色图像是像素深度最高、色彩表现力最强的一类，每个像素直接存储各颜色分量的完整数值。最典型的是二十四位真彩色，红绿蓝三分量各八位，每个像素能表达一千六百七十七万多种颜色，超过人眼可分辨的数量，故称真彩色。其数据量最大，但色彩还原最真实，是数码摄影、视频制作、高质量印刷的标准配置。题目中"二十四位真彩色""一千六百七十万色""十六位色""三十二位色"等说法都指向真彩色的像素深度，其中三十二位色通常是在二十四位基础上增加一个八位阿尔法通道，用于表达透明度信息。
分辨率的概念在图像数字化应用中会分化为多种形态，
本篇完！