a blog driven by interest～
使用raw图工具打开AppleProRaw可以发现它是一个四通道线性rgba图像，博主用matlab写了一个处 … 阅读更多
曝光图像融合通常的应用场景是HDR，传统的图像融合算法分为两类，一类是像素级的图像融合，通过将图像不同频段分离，在像素层及进行融合，另一类是基于变换域的方法，把图像变换到频率、小波域进行图像融合，最后再反变换回来，有些类似于同态滤波的形式。博主之前介绍过Mertens Exposure Fusion、Pyramid Blending、Possion Blending等都是经典的传统图像融合算法。
传统图像融合算法在融合曝光程度差异小的图像时非常有效，但是图像之间曝光差异程度大的时候融合结果就会出现瑕疵，事实上极端曝光情况下的图像融合具有非常大的挑战，这篇博客介绍一种基于无监督的图片融合算法DeepFuse，看名字就知道这是一种CNN的算法实现。
博主之前的博客中介绍了数种保边滤波算法，它们滤波器设计的共性就是，同时考虑空间信息和灰度信息，这次要介绍的选择性滤波也是一样。选择性滤波是在一定空间领域内，选择灰度值范围进行加权平均（这一点和surface blur是一样的，与surfaceblur的不同是，surface blur是根据灰度值是否接近计算权重，选择性模糊是根据像素数量计算权重）。所以选择性模糊的一大好处就是，知道领域的直方图就可以完成滤波计算了，核心问题变成直方图统计之后，算法复杂度就大大降低了，在领域半径急剧增加时，可以体现优势。
在图像处理后期，常常会拿Photoshop做实验，所以开始研究Photoshop里面的算法。Photoshop中的算法都已经商业化，有些甚至原理非常简单，但是简单并不代表不好用，所以记录下。
自动对比度的设置在 调整->色阶 中，我们可以看到，算法主要有三个参数，阴影、中间调、高光。
在Photoshop中有一种经典的模糊滤镜：表面模糊。因为在Photoshop中存在存在该滤波器，所以我们可以 … 阅读更多
先放个链接，后面补上：Halide 〜画像処理を高速化する〜
目前OpenCV的NN模块中已经有Halide一部分代码，可以通过 net.setPreferableBackend(DNN_BACKEND_HALIDE); 告诉OpenCV NN引擎尽可能使用Halide进行计算。除非以后OpenCV完全实现Halide的运行机制，否则在图像处理任务中，Halide与OpenCV协同工作是不可避免的。这篇博客主要介绍Halide的图像类型和OpenCV图像类型的相互转化。
基本语法和规则一定从官方教程开始，这篇博客是官方教程前几节的简要笔记。主要介绍 Halide 算法描述的语法规则、变量打印和调试、算法对ROI和padding的处理。
Halide（五）算法调度 是紧跟在本博客之后的章节，都是对官方教程的笔记，（三）和（四）是一些环境和常用算法的穿插，不关心可跳过。
在工业生产环境中，算法从设计到落地一般跨度比较大。尤其是计算密集的图像处理算法，要达到比较高的效率，就必须要在数据临近、数据复用、计算并行等方面做均衡，算法实现者通常需要深入了解该算法，才能取得比较好的优化。为了降低算法实现过程中开发者的负担，要把算法设计和实现相分离开来，已经有多重解决案例，其中较为典型的就是Halide。
Halide就不多介绍了，毕竟是在Pixel2 HDR Plus上用过的，官网：https://halide-lang.org，上面有很多详细的教程和文档。Halide主要分为两部分，第一部分是要描述需要计算的内容（计算在算法层面的流程），第二部分是规划计算，把计算并行起来、分块儿、数据复用、顺序重排，以实现更高的性能。博主认为第一部分是比较容易的，官网的教程看一遍就可以理解，自己再跑下demo，而第二分部取决于使用的硬件，如果调试优化，需要更多时间去摸索（毕竟我们使用halide是为了获得比较高的性能，减少部署开销）。
这篇博客主要介绍windows下配置halide开发环境，linux配置开发环境比较简单，并且官网已经写的很详细了，只在最后会简要讲下linux配置开发环境步骤中官网没有提及的部分。
CLAHE，全称 Contrast Limited Adaptive Histogram Equalization，是一种用来做Tone Mapping的自适应直方图均衡算法，已经集成在opencv和matlab中。
在介绍CLAHE之前，先介绍下HE（直方图均衡）、AHE（自适应直方图均衡算法）、CLHE算法。
GradientShop是在梯度域上对图像进行编辑的一个框架，通过该框架可以完成Sharpen、Relight、ToneMapping、Deblock、NPR Filter、DeFlickering等多种图像处理任务。这篇博客简单介绍GradientShop，着重介绍各项功能的实现过程。
坑没填完，先置顶提醒下自己0.0
上一篇博客介绍了Laplace Pyramid进行fusion，其实也就介绍了Exposure Fusion的基本原理。Mertens Exposure Fusion 是HDR图像合成上非常经典的算法。Exposure Fusion的多尺度图像融合同样借助Laplace Pyramid分解和重建，特别强调的是编辑laplace金字塔的过程，在计算亮度权重、对比度权重、曝光权重后将构建权重的高斯金字塔，然后进行拉普拉斯金字塔的重建，最后得到一张各部分曝光都很良好的图像。
多频段的图像融合可以缓和图像亮度和纹理的突变，简单的说，就是构造laplace金字塔，通过对laplace金字塔进行编辑，之后再重建laplace金字塔，来得到融合图像的过程。
