图像

HDR(High Dynamic Range,高动态范围)是一种图像后处理技术，是一种表达超过了显示器所能表现的亮度范围的图像映射技术。高动态范围技术能够很好地再现现实生活中丰富的亮度级别，产生逼真的效果。HDR已成为目前游戏应用不可或缺的一部分。通常，显示器能够显示R、G、B分量在[0,255]之间的像素值。

彩色图像，每个像素通常是由红(R)、绿(G)、蓝(B)三个分量来表示的，分量介于(0，255)。灰度图像在黑色与白色之间还有许多级的颜色深度。二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代白色。索引图像的文件结构比较复杂，除了存放图像的二维矩阵外，还包括一个称之为颜色索引矩阵MAP的二维数组。

在计算机中处理的图像是经过”数字化”后的视觉图像，称为数字化图像。图像（Image）：也叫位图，保存方式为点阵存储，也称为点阵图像或绘制图像；图形（Graphic）：也叫矢量图，用数学方法描述存储，也称为面向对象的图像或绘图图像。

光通过角膜、瞳孔、晶状体的折射光线，透过玻璃体到达视网膜。视网膜上分布着光感受器。光感受器按形状可分为两大类：视杆细胞和视锥细胞。色觉的形成与3中视锥细胞相关，它们分别包含光谱吸收峰在光谱红、绿、蓝区的视色素蛋白，分别对红光、绿光、蓝光有最佳反应。

本文重点介绍了图像恢复这个任务，以及如何使用深度图像先验来解决此任务。图像恢复是指从其劣质图像中恢复未知真实图像的任务。 图像损耗可能在图像形成，传输和存储期间发生。 该任务广泛的用于卫星成像，低光摄影。由于数字技术的进步，计算和通信技术从退化图像恢复清晰图像非常重要。

序列图像的超分辨率复原是指采用信号处理的方法通过对序列低分辨率退化图像的处理来获得一幅或者多幅SR复原图像，该技术可以弥补硬件实现的局限并且成本低，在视频、遥感等领域有着重要的应用前景。简要介绍了超分辨率复原的应用，然后概述了相关的主要算法，最后指出了该领域的发展方向。

随着现代科学技术的发展以及人民生活水平的提高，智能设备的普及率已经越来越高，住宅家居智能化将是一个重要的发展趋势。近年来，国内外对智能家居的研究初具规模，而现有的家居监控系统智能化程度比较低，无法更好的适应新的应用需求，因此开发出更安全便利的智能家居系统具有十分重要的意义。

一个简单的灰度图判定方法，因为项目需要需要做一个简单的灰度图判断，当然，如果是完整的一幅图，判断是否是灰度，当然是直接进行通道判断就行了，灰度图的通道数为一，rgb图片的通道数为三。问题是如何判断一个rgb图片中其中一部分是否是灰度图，故而有了本次简单的文档说明。

1. 简介

细粒度图像分类 (Fine-grained image categorization), 又被称作子类别图像分类 (Sub-category recognition)，是近年来计算机视觉、 模式识别等领域一个非常热门的研究课题。 其目的是对属于同一基础类别的图像（汽车、狗、花、鸟等）进行更加细致的子类划分, 但由于子类别间细微的类间差异以及较大的类内差异, 较之普通的图像分类任务, 细粒度图像分类难度更大。 图1所示为细粒度图像分类数据集CUB-200[1]中的两个物种，加州鸥和北极鸥，从竖直方向的图片对比可以看出，两个不同物种长相非常相似，而从对比水平方向可知，同一物种由于姿态，背景以及拍摄角度的不同，存在较大的类内差异。 因此，要想顺利的对两个极为相似的物种进行细粒度分类，最重要的是在图像中找到能够区分这两个物种的区分性的区域块(discriminative part)，并能够对这些有区分性的区域块的特征进行较好的表示。

在图像几何变换的过程中，常用的插值方法有最邻近插值（近邻取样法）、双线性内插值和三次卷积法。

最邻近插值：

这是一种最为简单的插值方法，在图像中最小的单位就是单个像素，但是在旋转个缩放的过程中如果出现了小数，那么就对这个浮点坐标进行简单的取整，得到一个整数型坐标，这个整数型坐标对应的像素值就是目标像素的像素值。取整的方式就是：取浮点坐标最邻近的左上角的整数点。

举个例子：
3 * 3 的灰度图像，其每一个像素点的灰度如下所示

我们要通过缩放，将它变成一个 4 * 4 的图像，那么其实相当于放大了4/3倍，从这个倍数我们可以得到这样的比例关系：