这些小方块都有一个明确的位置和被分配的色彩数值，小方格颜色和位置就决定该图像所呈现出来的样子。
无论是我们在电脑上，还是在手机上，像素都是最小不可分割的单位。
当你掌控了像素的来源，你就能掌握了千变万化的视觉艺术创作技法。
这篇文章的目的是想告诉大家，与以往相比，像素的来源发生了大幅度变化。
古早时期像素来源
这个时期的像素来源于数码相机及扫描仪，下面我们以大家常用的相机为例，讲解照片中的像素是怎么来的。
当相机拍摄一张照片时，像素是通过光电转换的过程生成的。下面是这个过程的解释：
光线进入镜头：当光线通过相机镜头进入相机时，它会通过一系列透镜和光学元件来聚焦和调整光线的路径。
光线到达图像传感器：光线通过镜头后，会达到相机的图像传感器。图像传感器通常采用两种技术之一：CCD（电荷耦合器件）或CMOS（互补金属氧化物半导体）。这些传感器由许多微小的光敏元件组成，也可以称其为像素。
光电转换：当光线到达图像传感器上的像素时，光敏元件会将光线转换为电荷。每个像素内都有一个光敏元件，通常是一个光电二极管。当光线照射到光敏元件上时，会产生电子。
电荷放大和读取：一旦光线转换为电荷，图像传感器会对电荷进行放大和读取。传感器中的电路会将电荷转换为电压信号，并将其放大以提高图像的质量和亮度。
数字化：在电荷放大和读取后，图像传感器会将模拟信号转换为数字信号。这是通过模数转换器（ADC）完成的，它将连续变化的模拟信号转换为离散的数字信号。
像素数据组合：一旦图像传感器将模拟信号转换为数字信号，这些数字信号表示图像的像素值。每个像素的值代表该位置的亮度和颜色信息。
光线进入镜头：当光线通过相机镜头进入相机时，它会通过一系列透镜和光学元件来聚焦和调整光线的路径。
光线到达图像传感器：光线通过镜头后，会达到相机的图像传感器。图像传感器通常采用两种技术之一：CCD（电荷耦合器件）或CMOS（互补金属氧化物半导体）。这些传感器由许多微小的光敏元件组成，也可以称其为像素。
光电转换：当光线到达图像传感器上的像素时，光敏元件会将光线转换为电荷。每个像素内都有一个光敏元件，通常是一个光电二极管。当光线照射到光敏元件上时，会产生电子。
电荷放大和读取：一旦光线转换为电荷，图像传感器会对电荷进行放大和读取。传感器中的电路会将电荷转换为电压信号，并将其放大以提高图像的质量和亮度。
数字化：在电荷放大和读取后，图像传感器会将模拟信号转换为数字信号。这是通过模数转换器（ADC）完成的，它将连续变化的模拟信号转换为离散的数字信号。
像素数据组合：一旦图像传感器将模拟信号转换为数字信号，这些数字信号表示图像的像素值。每个像素的值代表该位置的亮度和颜色信息。
总结起来，当相机拍摄照片时，光线通过镜头进入相机并聚焦在图像传感器上的像素上。光线经过光电转换，转化为电荷，然后通过电荷放大和读取，转换为模拟信号，最终转换为数字信号。每个像素的数字值代表图像的亮度和颜色信息，组合起来形成最终的照片像素。
在这个过程中，像素组成的图像质量，七分天注定，三分靠打拼。
现代像素来源
在当前，构成图形图像视觉艺术作品的像素，除了有数码相机、手机外，还有一大部分来源于手绘软件如PS，以及三维软件如C4D、MAYA。
例如，当我们使用Photoshop进行绘画时，图像中的像素是通过绘图工具生成的。
当使用三维软件进行建模和渲染时，生成的图像上的像素是通过以下过程生成的：
建模：模型可以是物体、场景或角色等三维对象。
纹理映射：为了给模型赋予外观和细节，可以将纹理映射到模型表面。纹理可以是图像或图案，它们被映射到模型的表面以模拟材质、颜色和纹理细节。
照明设置：在场景中设置光源，包括环境光、点光源、聚光灯等。光源的位置、强度和颜色会影响渲染结果的亮度和阴影效果。
相机设置：在三维软件中设置相机参数，包括视角、焦距、景深等。相机定义了观察场景的视角和位置。
渲染：通过渲染引擎对场景进行渲染，将三维模型转换为二维图像。渲染过程考虑了光照、材质、阴影、反射等物理属性，计算出每个像素的颜色和亮度。
像素生成：在渲染过程中，每个像素根据模型的几何信息、纹理映射、照明和相机参数等计算出最终的颜色值。这些颜色值组成了图像上的每个像素。
建模：模型可以是物体、场景或角色等三维对象。
纹理映射：为了给模型赋予外观和细节，可以将纹理映射到模型表面。纹理可以是图像或图案，它们被映射到模型的表面以模拟材质、颜色和纹理细节。
照明设置：在场景中设置光源，包括环境光、点光源、聚光灯等。光源的位置、强度和颜色会影响渲染结果的亮度和阴影效果。
相机设置：在三维软件中设置相机参数，包括视角、焦距、景深等。相机定义了观察场景的视角和位置。
渲染：通过渲染引擎对场景进行渲染，将三维模型转换为二维图像。渲染过程考虑了光照、材质、阴影、反射等物理属性，计算出每个像素的颜色和亮度。
像素生成：在渲染过程中，每个像素根据模型的几何信息、纹理映射、照明和相机参数等计算出最终的颜色值。这些颜色值组成了图像上的每个像素。
在这个过程中，像素组成的图像质量，依赖于创作者的素质，如软件操作娴熟程度、审美水准等，但对结果有很强的可控性。
未来时代像素来源
毫无疑问，在未来的人工智能时代，以上几种像素获取方式仍将存在，但一个很大的变化是，随着人工智能进一步强大， 以后我们看到的大部分像素都会是由机器通过算法运算生成的。
这个预言不是好机友摄影原创，而是来源于Nvidia的首席执行官黄仁勋。
例如，当前最为流行的AI绘图平台Midjourney，使用的就是生成对抗网络（GAN）、变分自编码器（VAE）等模型来生成图像。
下面是一个简单的示例来解释人工智能生成图像的像素生成过程：
训练模型：首先，需要训练一个生成模型，例如生成对抗网络（GAN）。训练过程中，模型会学习从随机噪声向量中生成逼真的图像样本。这个过程通常使用大量的真实图像作为训练数据集。
生成器网络：GAN模型由两个主要组件组成，生成器和判别器。生成器网络接收一个随机噪声向量作为输入，并将其转换为逼真的图像样本。生成器通过学习真实图像的分布和特征来生成类似的图像。
判别器网络：判别器网络是GAN模型中的另一个关键组件。它的作用是对生成器生成的图像样本进行评估，判断其是否与真实图像相似。判别器网络被训练为能够区分生成器生成的图像和真实图像。
像素生成：在生成阶段，通过输入一个随机噪声向量到生成器网络中，生成器将随机噪声转换为一张逼真的图像。生成器网络的输出是一个像素数组，每个像素具有特定的颜色和亮度值。
后处理：生成的图像可以经过一些后处理步骤，例如调整亮度、对比度、色彩平衡等。这些步骤可以改善生成图像的质量和外观。
输出图像：生成的图像可以被保存为图像文件或显示在屏幕上，供观察和使用。
训练模型：首先，需要训练一个生成模型，例如生成对抗网络（GAN）。训练过程中，模型会学习从随机噪声向量中生成逼真的图像样本。这个过程通常使用大量的真实图像作为训练数据集。
生成器网络：GAN模型由两个主要组件组成，生成器和判别器。生成器网络接收一个随机噪声向量作为输入，并将其转换为逼真的图像样本。生成器通过学习真实图像的分布和特征来生成类似的图像。
判别器网络：判别器网络是GAN模型中的另一个关键组件。它的作用是对生成器生成的图像样本进行评估，判断其是否与真实图像相似。判别器网络被训练为能够区分生成器生成的图像和真实图像。
像素生成：在生成阶段，通过输入一个随机噪声向量到生成器网络中，生成器将随机噪声转换为一张逼真的图像。生成器网络的输出是一个像素数组，每个像素具有特定的颜色和亮度值。
后处理：生成的图像可以经过一些后处理步骤，例如调整亮度、对比度、色彩平衡等。这些步骤可以改善生成图像的质量和外观。
输出图像：生成的图像可以被保存为图像文件或显示在屏幕上，供观察和使用。
在这个过程中，像素构成的图像质量依赖于创作者的提示词撰写水准，以及算法的性能。
正因如此，AI才能够在短短十数秒的时间内，生成细节与质感惊人的图像，这些图像上的每一个像素，都不再依靠人工手绘，不再依靠光线跟踪、纹理及材质信息。
可以说，以现代摄影师、设计师为代表的视觉艺术工作者，一辈子都在跟像素打交道，只有深刻理解了像素从哪里来，会到哪里去，才更能把握未来的趋势，获得更宽广的发展道路。
返回搜狐，查看更多