图像处理

常会有人问“图像处理中的开放的领域是什么？”。在图像处理/计算机视觉方面，一切仍然是一个开放的研究领域！

数字视频和数字图像比传统的图像和视频分辨率要高，处理方便，易于操作和整理。但由于部分设备性能不足、客观条件限制等因素，在实际的视频监控应用中，仍会出现视频图像模糊不清、关键信息捕捉不到等问题。而在视频图像处理的过程中，由于操作技术问题或者客观因素等，给视频图像处理技术的应用带来一些负面影响，降低了处理技术的水平和质量。

视觉不论对生物界还是人类，都起到了至关重要的作用。随着人工智能浪潮的大势来袭，包括机器视觉、计算机视觉等在内的智能视觉也在人工智能领域逐步扮演着越来越重要的角色。

经典的数字图像分割算法一般是基于灰度值的两个基本特征之一：不连续性和相似性。

数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。

近些年来，超分辨率技术（Super resolution）越来越流行，许多公司将超分辨率技术整合到他们的工作之中。超分辨率的概念早就已经出现，而近些年来机器学习的进步才又一次把超分带入到媒体应用的领域之中。在如今4K/8K视频的时代，超分辨率技术只会越来越重要。

机器学习帮助一些最好的显微镜看得更清楚，工作得更快，并处理更多的数据。

今天我们要讲的另一种修复论文叫做Image inpainting via Generative Multi-column CNNs (GMCNN)。本文使用的网络架构类似于我们之前介绍的那些论文。本文的主要贡献是对损失函数进行了若干修正。

我们将深入探讨深度图像修复的一个突破，上下文注意力。通过使用上下文注意力，我们可以有效地从遥远的空间位置借用信息来重建局部缺失的像素。这个想法实际上或多或少和复制-粘贴是一样的。让我们看看是如何做到的。

为什么做图片识别要将彩色图像灰度化呢？正式解释这个问题之前，我们需要了解，什么是灰度化？简单地说，灰度化处理就是将一幅彩色图像转化为灰度图像的过程。