PPI（每英寸像素数）、DPI（每英寸点数）和Pixel（像素）的区别和联系？

### 图像处理中的 Pixel 定义 在图像处理领域，Pixel 是指构成数字图像的基本单位。一幅数字图像是由许多离散的小单元组成的矩形阵列，这些小单元被称为像素 (Pixel)[^1]。每个像素具有特定的空间位置以及数值属性（通常为亮度或颜色）。对于灰度图像而言，像素值表示的是该点的强度；而对于彩色图像来说，像素则包含了多个分量（如 RGB 值），用于描述不同颜色通道的信息。 当提到空间域增强时，可以通过函数 \( g(x, y) = T[f(x, y)] \) 来表达这一过程。这里定义了输入图像 \( f(x, y) \) 经过某种变换操作 \( T(\cdot) \)，从而得到输出图像 \( g(x, y) \) 的关系。如果此变换仅依赖于单一像素本身而不涉及周围环境，则属于 **点操作** 或者叫作 **灰度变换**；反之若是基于目标像素及其周边区域共同计算得出新值的情况，则被归类为 **邻域操作**。 另外，在讨论两个像素之间的关联性时，需考虑它们是否满足一定的邻接条件。具体来讲，判断标准包括但不限于两者间是否存在物理上的接近程度以及各自取值范围内的差异能否接受等问题[^2]。 至于实际应用层面的例子之一便是通过 CMOS 传感器获取原始数据并进一步加工成可视化的成果物。例如给定尺寸规格下的感光元件能够捕获多大分辨率的画面内容，并据此推算每一个独立采样点所占据的实际面积大小。假设有一个采用 1/1.7 英寸 CMOS 技术制造的产品，它的有效画幅宽度约为 7.6 毫米而高度大约等于 5.7 毫米，同时支持全高清级别的视频录制功能——即达到 1920 × 1080 的像素密度级别的话，那么我们可以简单估算出单个像素平均覆盖多少微米平方作为参考依据[^3]： ```python width_mm = 7.6 # sensor width in millimeters height_mm = 5.7 # sensor height in millimeters resolution_x = 1920 # horizontal resolution in pixels resolution_y = 1080 # vertical resolution in pixels # Convert dimensions to micrometers and calculate pixel size width_um = width_mm * 1000 # convert to micrometers height_um = height_mm * 1000 # convert to micrometers pixel_size_x = width_um / resolution_x pixel_size_y = height_um / resolution_y print(f"Average pixel size: {round(pixel_size_x)} μm x {round(pixel_size_y)} μm") ``` 运行上述代码片段后会显示相应结果，这有助于理解硬件层面上如何量化每一帧画面内部结构细节的程度。