后文中，如无特别说明，文章通常使用广义的图像处理概念，即用数字图像处理这个词涵盖上文所提到的图像处理和数字图像分析；而对于图像识别和机器视觉的概念常常不加区分，尽管严格地说识别只对应于高级视觉的范畴。
数字图像处理和识别的应用实例如今，数字图像处理与机器视觉的应用越来越广泛，已经渗透到国家安全、航空航天、工业控制、医疗保健等各个领域乃至人们的日常生活和娱乐当中，在国民经济中发挥着举足轻重的作用。
相关领域 典型应用安全监控 指纹验证、基于人脸识别的门禁系统
工业控制 产品无损检测、商品自动分类
医疗保健 X光照片增强、CT、核磁共振、病灶自动检测
生活娱乐 基于表情识别的笑脸自动检测、汽车自动驾驶、手写字符识别
数字图像处理的预备知识
数字图像是由一组具有一定的空间位置关系的像素组成的，因而具有一些度量和拓扑性质。理解像素间的关系是学习图像处理的必要准备，这主要包括相邻像素，邻接性、连通性，区域、边界的概念，以及今后要用到的一些常见距离度量方法。
邻接性、连通性、区域和边界1．邻接性（Adjacency）
定义V 是用于决定邻接性的灰度值集合，它是一种相似性的度量，用于确定所需判断邻接性的像素之间的相似程度。比如在二值图像中，如果认为只有灰度值为1的像素是相似的，则即V ={1}，当然相似性的规定具有主观标准，因此也可以认为V ={0，1}，此时邻接性完全由位置决定；而对于灰度图像，这个集合中则很可能包含更多的元素。此外，定义对角邻域ND (P )为8-邻域中不属于4-邻域的部分（见图0.8（c）），那么有如下的规定。
（1）4邻接（4-Neighbor）：如果 Q ∈N 4 (P )，则称具有V 中数值的两个像素P 和Q 是4邻接的。
（2）8邻接（8-Neighbor）：如果 Q ∈N 8 (P )，则称具有V 中数值的两个像素P 和Q 是8邻接的。
如下图所示，q和p是4邻接的：
如下图所示，q和p是对角邻接的：
如下图所示，p和周围的八个数都是邻接的：
显然，若p和q是8邻接，则他们不一定是4邻接。若p和q是4邻接，他们一定是8邻接。
m邻接：
说到m邻接，不得不引入灰度值集合V。灰度值集合V指的是0-255的任意一个子集。
对于m邻接，书上的概念是这么说的：
下列两个条件满足其中一个即为m邻接
(i)q在N4( p )中
(ii)在ND( q )中，且集合N4( p )∩N4（ q ）中没有来自V中数值的元素
看起来一脸懵逼，举个最简单的例子，设灰度值只有1。即p和q的灰度值都为1，V={1}。
然后让我们来翻译一下书上的概念：
直接看条件2，q在p的对角邻域中，即q和p是对角邻接，且p的4邻域和q的4邻域的交集的灰度值不在灰度值集合V中（由于V只有1这个元素，则交集元素的灰度非1），则p和q为m邻接。
是不是还是觉得很难理解，那我们可以通过图片来了解：
其中，红色区域的灰度值不在V中，即非1。
其中，黄色区域为p的4邻域和q的4邻域的交集，这个交集的元素的灰度值都不在V中，故p和q是m邻接。