数字图像处理是利用计算机算法对数字图像执行操作的技术，涵盖增强、恢复、压缩、分割和特征提取等任务。与模拟处理不同，它作用于离散像素值，从而实现精确、可重复的变换和定量分析。该领域兴起于20世纪60年代，早期应用于太空探索和医学成像，此后成为计算机视觉、人工智能和机器学习的基础。
数字图像表示为强度值的二维矩阵，通常采用灰度或RGB等格式。处理可在三个层次进行：低层（像素操作，如滤波和对比度调整）、中层（分割和目标检测）和高层（场景理解和解释）。这些操作通过空间域技术（直接操作像素）或频率域技术（使用傅里叶变换等方法变换图像）来实现。
历史发展
数字图像处理的起源可追溯到20世纪60年代初的喷气推进实验室（不在提供的列表中，但历史上准确），研究人员使用计算机校正来自Ranger和Surveyor任务的月球图像畸变。1964年，施乐帕克的前身施乐公司开始探索数字成像技术，但该领域的正式化是通过麻省理工学院计算机科学与人工智能实验室和卡内基梅隆大学等机构的学术工作实现的。
20世纪70年代，戈弗雷·豪斯菲尔德和艾伦·科马克开发了计算机断层扫描（CT）技术，该技术依赖数字重建算法生成横断面医学图像。这一时期还引入了首个用于卫星遥感的数字图像处理标准，特别是1972年启动的Landsat计划。到20世纪80年代，廉价微处理器和内存的普及使实时处理成为可能，从而推动了工业检测和消费摄影中的应用。
核心技术与算法
空间域滤波是最基本的操作，使用卷积核进行模糊、锐化和边缘检测等任务。1968年引入的Sobel算子和1986年约翰·坎尼发表的Canny边缘检测器仍是边界提取的标准工具。频率域方法，如1965年詹姆斯·库利和约翰·图基推广的快速傅里叶变换（FFT），能够高效滤除周期性噪声并进行图像压缩。
形态学操作，包括膨胀和腐蚀，用于二值图像的形状分析和噪声去除。直方图均衡化通过重新分配强度值来增强对比度，该技术广泛应用于训练神经网络模型的数据增强。对于恢复，维纳滤波器等算法（由诺伯特·维纳于20世纪40年代开发）可从退化观测中估计原始图像。
现代方法日益依赖深度学习。卷积神经网络（CNN）由扬·勒昆于1989年首次展示用于图像分类，现已成为主导技术。ResNet架构由何恺明等人于2015年提出，支持训练非常深的网络以执行超分辨率和去噪等任务。U-Net架构由奥拉夫·龙内贝格尔于2015年提出，专为生物医学图像分割设计，至今仍是基准。
跨领域应用
医学成像是主要受益者，数字处理使直觉外科的达芬奇系统能够增强内窥镜图像以支持微创手术。三星研究院等实验室应用处理技术提高超声和MRI质量，而巴巴原子研究中心将其用于核成像分析。在放射学中，计算机辅助检测系统协助从乳腺X光片中识别肿瘤，这一实践在20世纪90年代末获得监管批准。
遥感和地球观测依赖处理技术校正大气畸变和分类土地利用。谷歌云和亚马逊网络服务平台提供卫星图像分析的托管服务，利用AWS Trainium等专用硬件。在自动驾驶车辆中，韦莫和特斯拉自动驾驶使用实时图像处理进行目标检测和车道跟踪，结合机器学习与相机标定等经典技术。
消费应用包括智能手机摄影，苹果和三星电子实现HDR和夜间模式等计算摄影功能。adobe（不在提供的列表中）于1990年通过Photoshop开创了数字照片编辑，但底层算法现已嵌入每台相机。安防和监控系统使用人脸检测和识别，日本电气和富士通提供商业解决方案。
与机器学习和人工智能的关系
数字图像处理与机器学习密切相关。经典处理提供预处理步骤，，归一化、调整大小和数据增强，，以提高深度学习模型的鲁棒性。相反，学习模型现在执行许多以前需要手工设计算法的任务，如目标检测。
生成式人工智能的兴起引入了新能力，包括图像合成和风格迁移。稳定扩散等模型使用扩散过程从文本生成图像，基于处理技术进行噪声调度。OpenAI的DALL-E和谷歌深度思维的Imagen（后者不在列表中）体现了这一趋势，尽管它们依赖变换器架构而非传统处理。
硬件进步加速了发展。英伟达（不在列表中）开发的GPU现已成为图像处理的标准，而英特尔和超威将图像信号处理器集成到CPU中。AWS Trainium和Groq的张量流处理器等专用加速器优化视觉模型的推理。高通和ARM控股设计带有专用视觉处理单元的移动芯片，支持设备端AI。
挑战与未来方向
高分辨率视频的实时处理仍具挑战性，需要高效算法和硬件。模型剪枝和量化减少计算负载，但与精度的权衡依然存在。监控应用引发隐私担忧，促使研究差分隐私（不在列表中）和联邦学习，其中苹果和谷歌云已实现设备端处理。
新兴领域包括高光谱成像（捕获数百个光谱波段用于环境监测）和计算成像（结合光学和算法实现超分辨率）。大语言模型能力与视觉的整合，如多模态模型所示，预示着处理将由语义理解引导的未来。斯坦福人工智能实验室和伯克利人工智能研究的研究继续推动边界，特别是在图像的无监督和自监督学习方面。
截至2020年代中期，该领域正与人工智能融合，传统算法作为神经网络架构的归纳偏置。U-Net类网络在科学应用中的发展，如Fermata的农业分析，展示了经典概念的持续相关性。数字图像处理仍是一门动态学科，在数学严谨性与经验创新之间保持平衡。