包邮图像画质算法与底层视觉技术

第1章 画质算法与底层视觉概述 1 1.1 画质算法的主要任务 1 1.1.1 画质算法定义及其主要类别 1 1.1.2 画质问题的核心：退化 3 1.2 基于深度学习的底层视觉技术 4 1.2.1 深度学习与神经网络 4 1.2.2 底层视觉任务的特点 5 第2章 画质处理的基础知识 7 2.1 光照与成像 7 2.1.1 视觉与光学成像 7 2.1.2 Bayer阵列与去马赛克 15 2.1.3 相机图像信号处理的基本流程 20 2.2 色彩与颜色空间 25 2.2.1 人眼色觉与色度图 25 2.2.2 常见的颜色空间 28 2.3 图像的影调调整方法 32 2.3.1 直方图与对比度 32 2.3.2 对比度拉伸与直方图均衡 35 2.3.3 对比度增强算法的改进策略 39 2.4 图像常见的空间操作 42 2.4.1 基本图像变换：仿射变换与透视变换 42 2.4.2 光流与帧间对齐 50 2.5 图像的频域分析与图像金字塔 54 2.5.1 傅里叶变换与频域分析 54 2.5.2 自然图像的频域统计特性 60 2.5.3 图像金字塔：高斯金字塔与拉普拉斯金字塔 61 第3章 图像与视频去噪算法 66 3.1 噪声的来源与数学模型 66 3.1.1 图像噪声的物理来源 66 3.1.2 噪声的数学模型 68 3.2 去噪算法的难点与策略 76 3.2.1 去噪算法的难点 76 3.2.2 盲去噪与非盲去噪 77 3.2.3 高斯去噪与真实噪声去噪 77 3.2.4 去噪算法的评价指标 78 3.3 传统去噪算法 84 3.3.1 空域滤波：均值、高斯与中值滤波器 84 3.3.2 非局部均值算法 87 3.3.3 小波变换去噪算法 90 3.3.4 双边滤波与导向滤波 96 3.3.5 BM3D滤波算法 104 3.4 深度学习去噪算法 106 3.4.1 深度残差去噪网络DnCNN和FFDNet 106 3.4.2 噪声估计网络去噪：CBDNet 115 3.4.3 小波变换与神经网络的结合：MWCNN 119 3.4.4 视频去噪：DVDNet和FastDVDNet 125 3.4.5 基于Transformer的去噪方法：IPT与SwinIR 132 3.4