上文所指的颜色表就是常说的调色板（Palette） ，另一种说法叫作颜色查找表（Look Up Table，LUT） 。Windows位图中应用到了调色板技术。其实不仅是Windows位图，许多其他的图像文件格式比如PCX、TIF、GIF都应用了这种技术。
在实际应用中，调色板中通常只有少于256种的颜色。在使用许多图像编辑工具生成或者编辑GIF文件的时候，常常会提示用户选择文件包含的颜色数目。当选择较低的颜色数目时，将会有效地降低图像文件的体积，但也会一定程度上降低图像的质量。
使用调色板技术可以减小图像文件体积的条件是图像的像素数目相对较多，而颜色种类相对较少。如果一个图像中用到了全部的24位真彩色，对其使用颜色查找表技术是完全没有意义的，单纯从颜色角度对其进行压缩是不可能的。
数字图像的实质对于数字图像f (x , y )的定义仅适用于最为一般的情况，即静态的灰度图像。更严格地说，数字图像可以是2个变量（对于静止图像，Static Image）或3个变量（对于动态画面，Video Sequence）的离散函数。在静态图像的情况下是f (x , y )，而如果是动态画面，则还需要时间参数t ，即f (x , y , t )。函数值可能是一个数值（对于灰度图像），也可能是一个向量（对于彩色图像）。
图像处理是一个涉及诸多研究领域的交叉学科，下面就从不同的角度来审视数字图像。
从线性代数和矩阵论的角度，数字图像就是一个由图像信息组成的二维矩阵，矩阵的每个元素代表对应位置上的图像亮度和/或色彩信息。当然，这个二维矩阵在数据表示和存储上可能不是二维的，这是因为每个单位位置的图像信息可能需要不只一个数值来表示，这样可能需要一个三维矩阵来对其进行表示。
由于随机变化和噪声的原因，图像在本质上是统计性的。因而有时将图像函数作为随机过程的实现来观察其存在的优越性。这时有关图像信息量和冗余的问题可以用概率分布和相关函数来描述和考虑。例如，如果知道概率分布，可以用熵（Entropy） H ① 来度量图像的信息量，这是信息论中一个重要的思想。
从线性系统的角度考虑，图像及其处理也可以表示为用狄拉克冲激公式表达的点展开函数的叠加，在使用这种方式对图像进行表示时，可以采用成熟的线性系统理论研究。在大多数时候，都考虑使用线性系统近似的方式对图像进行近似处理以简化算法。虽然实际的图像并不是线性的，但是图像坐标和图像函数的取值都是有限的和非连续的。
数字图像的表示为了表述像素之间的相对和绝对位置，通常还需要对像素的位置进行坐标约定。本书中所使用的坐标约定如图所示。但在MATLAB中坐标的约定会有变化。
在这之后，一幅物理图像就被转化成了数字矩阵，从而成为计算机能够处理的对象了。数字图像f 的矩阵表示如下所示。
有时也可以使用传统矩阵表示法来表示数字图像和像素，如下式所示。
其中行列（M 行N 列）必须为正整数，而离散灰度级数目L 一般为2的k 次幂，k 为整数（因为使用二进制整数值表示灰度值），图像的动态范围为[0, L -1]，那么图像存储所需的比特数为b = M ×N ×k 。注意到在矩阵f （y , x ）中，一般习惯于先行下标，后列下标的表示方法，因此这里先是纵坐标y （对应行），然后才是横坐标x （对应列）。
而有些图像矩阵中，很多像素的值都是相同的。例如在一个纯黑背景上使用不同灰度勾勒的图像，大多数像素的值都会是0。这种矩阵称为稀疏矩阵（Sparse Matrix），可以通过简单描述非零元素的值和位置来代替，大量地写入0元素。这时存储图像需要的比特数可能会大大减少。
图像的空间和灰度级分辨率1．图像的空间分辨率（Spatial Resolution）
图像的空间分辨率是指图像中每单位长度所包含的像素或点的数目，常以像素/英寸（pixels per inch, ppi）为单位来表示。如72ppi表示图像中每英寸包含72个像素或点。分辨率越高，图像将越清晰，图像文件所需的磁盘空间也越大，编辑和处理所需的时间也越长。