名词解释

专有名词

含义

作用

边缘edge

图像中亮度或颜色剧烈变化的地方，代表物体或场景中不同区域之间的边界或边界轮廓

结构structure

图像中物体的相对位置、形状、大小、排列方式等。图像中的纹理、线条、曲线、边缘等特征，并提供了更全面的场景或物体的信息

纹理texture

图像中重复的、规律的、表现出一定模式或结构的区域，代表了物体或场景中的细节和表面特征

细节detail

图像中的小尺度、高频的信息，包括纹理、边缘和其他微小的特征

振铃效应ringing effect

图像处理过程中出现的边缘附近的人工伪影或震动现象

噪声

噪声影响边缘检测的准确性，因此使用深层的语义特征表示

亮度

亮度是一个不可测量的主观描述子，体现的是发光强度的消色概念，是描述彩色感觉的一个重要因素。

人眼对亮度的变化是呈非线性反应，对较暗区域的变化更加敏感[对0亮度到0.01亮度敏感，对0.99亮度到1亮度不敏感]。对数形式与人类感受亮度的过程相近

illumination map 应在纹理细节上平滑，同时仍能保持整体结构边界

伽马校正(gamma correction)提高亮度，以非线性的方式在每个像素上单独进行, 但不考虑某个像素与其相邻像素的关系

对比度

直方图均衡化(histogram equalization)提高图像的对比度

色调

色调是指图像中的整体色调, 调整色调可以影响整体的色彩感觉

色调是混合光波中与主波长相关的属性，表示被观察者感知的主导色。

色调重建(gamma校正)

人眼对输入光的响应也是线性，而人的感觉却是非线性的，人对暗光会更加敏感

传感器对输入图像的响应大部分是线性的，而显示设备相对输入图像通常也是非线性的，对输入的敏感性和人眼的特性恰好相反

白平衡

作用：使得人眼感知为白色的物体在最终的成像中也为白色

饱和度

饱和度指的是相对的纯度，或与一种色调混合的白光量。纯光谱颜色是完全饱和的，饱和度与所加的白光量成反比 。如深红色(红色

加白色)是不饱和的，

色彩空间

颜色是一种主观的感觉，与入射光的功率谱分布（SPD）相关，也跟人眼对不同光源的光谱敏感度相关，另外对不同环境光线下拍摄的物体的颜色具有自纠正的作用

色彩是指图像中的具体颜色信息

区别不同颜色的特性通常是亮度、色调和饱和度，色调与饱和度称为色度,因此一种颜色可由其亮度和色度来表征

RGB

适合于显示系统，不适合于图像处理

优点：

基本色光是人类眼睛所能感知到的颜色

颜色值范围是0-255，便于计算和储存

颜色组成方式简单易懂，易于理解和使用

缺点：

空间的颜色由R、G、B的混合比值定义，难以用准确的值表示，因此不容易进行定量分析

颜色之间的相关性很高，所得到的图像饱和度低，颜色变化小，视觉效果差

不能够描述颜色的亮度或饱和度

RGB颜色空间是线性的，可能导致颜色的亮度感知不准确

HSV

Value (V) channel reflflects the illumination and reflflectance information

颜色失真

在RGB颜色空间中，两个颜色点之间的欧几里德距离并不代表真正的视觉差异。

边缘

任一点的边缘与梯度向量正交

一阶微分算子：Roberts算子、Prewitt算子和Sobel算子

二阶微分算子：DOG算子、LoG算子、Laplacian算子

Canny

细节

伪影

渲染

渲染中用到的光照是在线性空间

图像先验

局部平滑性

自然图像相邻像素点之间的像素值在一定程度上是连续变化的，梯度直方图上观察，自然图像梯度统计趋近于0

梯度L2范数约束是基于梯度统计服从高斯分布得到，可抑制噪声，但也平滑纹理

TV 范数是基于梯度统计服从拉普拉斯统计得到，对噪声鲁棒性更好，对纹理细节的保留也优于L2范数

L0范数约束比TV约束更强调局部一致性

非局部相似性

在自然图像的不同位置存在相似的纹理，且许多的纹理存在规律性。说明自然图像信息是冗余的，可利用图像的冗余信息对图像缺失或被污染的部分进行修复

非局部均值(non local mean) 去噪

稀疏性

统计特性

局部最大梯度先验

local maximum gradient prior: 尖锐变化的边缘处通常有局部最大梯度, 这种先验假设可以被用于图像增强、去噪、超分辨率等任务中，帮助提高算法的效果和稳定性

空间相干性

Spatial coherence（空间相干性）描述图像的平滑性和连续性，即在局部区域内，图像像素之间的相对位置和亮度值变化比较连续和一致。

一般指图像中相邻像素之间的关系，如果相邻像素之间的值变化较小，说明图像具有较高的空间相干性，即比较光滑；如果相邻像素之间的值变化较大，说明图像具有较低的空间相干性，即粗糙和杂乱。

促进增强或恢复的图像具有更好的空间连续性和一致性，以提高其质量和可视化效果

"""

chatGPT

使用Sobel算子计算图像的梯度，并将梯度加权以获得图像的空间相干性。在训练过程中，将空间相干性用作损失函数的一部分，以鼓励生成图像具有更好的空间连续性和一致性

"""

import torch

import torch.nn.functional as F

# 计算图像梯度

def image_gradients(img):

sobel_x = torch.Tensor([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]).view((1, 1, 3, 3))

sobel_y = torch.Tensor([[-1, -2, -1], [0, 0, 0], [1, 2, 1]]).view((1, 1, 3, 3))

# 转换为灰度图像

if img.shape[1] == 3:

img_gray = 0.299 * img[:, 0, :, :] + 0.587 * img[:, 1, :, :] + 0.114 * img[:, 2, :, :]

else:

img_gray = img

img_grad_x = F.conv2d(img_gray, sobel_x)

img_grad_y = F.conv2d(img_gray, sobel_y)

img_grad_mag = torch.sqrt(torch.pow(img_grad_x, 2) + torch.pow(img_grad_y, 2))

return img_grad_x, img_grad_y, img_grad_mag

# 计算加权的图像梯度

def weighted_image_gradients(img):

img_grad_x, img_grad_y, img_grad_mag = image_gradients(img)

weight_x = torch.exp(-img_grad_mag)

weight_y = torch.exp(-img_grad_mag)

weighted_grad_x = img_grad_x * weight_x

weighted_grad_y = img_grad_y * weight_y

return weighted_grad_x, weighted_grad_y

# 计算空间相干性损失函数

def spatial_coherence_loss(img, enhanced_img, lambda_sc):

img_grad_x, img_grad_y = weighted_image_gradients(img)

enhanced_grad_x, enhanced_grad_y = weighted_image_gradients(enhanced_img)

# 计算梯度之间的欧几里得距离

grad_diff_x = img_grad_x - enhanced_grad_x

grad_diff_y = img_grad_y - enhanced_grad_y

grad_diff = torch.sqrt(torch.pow(grad_diff_x, 2) + torch.pow(grad_diff_y, 2))

# 计算加权平均距离

sc_loss = torch.mean(grad_diff * torch.exp(-lambda_sc * grad_diff))

return sc_loss