10.1.1 Vision Basics ロードマップ：Pixels、Channels、Processing

Computer vision は input intuition から始まります。classification、detection、segmentation の前に、image がどんな数字として扱われるかを理解します。

まず image pipeline を見る

最初の mental model は単純です：image = height × width × channels。多くの後続 bug は shape、channel order、coordinates、color space の混同から来ます。

小さな image shape check を動かす

この toy image は 2 rows、3 columns、RGB values を持ちます。

image = [
    [[255, 0, 0], [0, 255, 0], [0, 0, 255]],
    [[255, 255, 255], [0, 0, 0], [128, 128, 128]],
]

height = len(image)
width = len(image[0])
channels = len(image[0][0])
top_left_pixel = image[0][0]

print("shape:", (height, width, channels))
print("top_left_pixel:", top_left_pixel)

出力：

shape: (2, 3, 3)
top_left_pixel: [255, 0, 0]

実画像を wrong shape や wrong channel order で読むと、その後の model result は信頼しにくくなります。

この順番で学ぶ

手順	読む内容	実践アウトプット
1	Image representation	pixel、channel、height、width、RGB/BGR を説明する
2	OpenCV basics	image の load、view、crop、resize、save を行う
3	Basic processing	grayscale、threshold、blur、edge、simple filters を試す

合格ライン

image shape を inspect し、coordinates で region を crop し、channel order を説明し、processed result を README 用に保存できれば、この章は合格です。

確認の考え方と解説

1. 合格レベルの答えでは、task を class label、bounding box、mask、OCR text、embedding、video event など正しい視覚出力に対応づけます。
2. 証拠には、rendered visual artifact と、metric または定性的な error note を含めます。
3. class confusion、missed object、bad mask、lighting shift、domain shift、annotation quality など、失敗モードを1つ説明できればよいです。

残す証拠

このページを終えたら、この evidence card を残します。

入力画像

実行で使うソース画像または生成画像

配列形状

幅、高さ、channels、dtype、座標規約

処理済み出力

グレースケール、切り抜き、エッジ、しきい値処理、または保存済み中間画像

失敗確認

チャネル順、リサイズの歪み、座標ミス、または過剰処理

期待される成果

前後の画像と、出力された shape またはピクセル値