一、课程导论：图像预处理的重要性、光照不均的挑战、加速技术的必要性
各位同学好，我是这门课的主讲。在正式开始之前，我想先聊聊一个很实际的问题——你拿着手机在昏暗的走廊里拍了一张文档照片，结果文字糊成一团，背景还有一大片阴影。这时候你怎么办？
嗯，这就是我们今天要讨论的核心场景。图像预处理，说白了就是给原始图像“洗个澡”，让它变得更干净、更规整，方便后续算法去处理。我做了这么多年计算机视觉，可以负责任地告诉你：预处理做得好，后面的模型能省一半的力气。
1.1 图像预处理——为什么它是第一步？
图像预处理不是可选项，而是必选项。原因很简单：摄像头采集到的原始数据，几乎不可能直接喂给算法。
核心观点：预处理的质量，直接决定了后续任务的精度上限。你后面用再好的模型，也救不回来一张烂图。
我举个例子。有一次我在做工业质检项目，产线上的摄像头拍金属表面缺陷。原始图像有大量反光和噪点，直接扔给分类模型，准确率只有 60%。后来我花了两天时间调预处理流程——去噪、增强对比度、校正光照——模型准确率直接跳到 92%。
预处理通常解决这几类问题：
- 噪声抑制——传感器热噪声、环境光干扰
- 几何校正——镜头畸变、拍摄角度偏差
- 色彩还原——白平衡偏差、色温变化
- 光照补偿——阴影、过曝、光照不均
其中，光照不均是最棘手的问题之一。为什么？因为它没有固定的模式。
1.2 光照不均——视觉算法的“隐形杀手”
光照不均，说白了就是图像里有的地方亮、有的地方暗，而且这种变化不是我们想要的。它可能是自然光造成的，也可能是设备本身的问题。
你想想看，一个 OCR 系统，在均匀光照下识别率 99%，换到背光环境直接掉到 70%。这不是模型不行，是光照把特征淹没了。
| 光照场景 | 典型问题 | 对算法的影响 |
|---|---|---|
| 强背光 | 主体过暗，背景过亮 | 边缘检测失效，特征丢失 |
| 局部阴影 | 部分区域亮度骤降 | 分割结果断裂，分类偏差 |
| 渐变光照 | 亮度从一侧到另一侧渐变 | 阈值处理不稳定，纹理失真 |
| 反光/高光 | 局部过曝，细节消失 | 特征点匹配失败，检测漏报 |
我曾经踩过的坑：做车牌识别时，我用了全局直方图均衡化，结果白天效果很好，到了傍晚车牌反光，均衡化把暗部噪声全放大了，识别率反而下降。后来我才意识到——光照不均补偿必须考虑局部特性，不能一刀切。
所以，光照不均补偿不是“调亮一点”那么简单。它需要理解光照的分布特性，然后有针对性地做校正。
1.3 加速技术——为什么非提不可？
好，现在问题来了：预处理算法越来越复杂，光照补偿也越来越精细，但实际场景要求实时处理。你想想看，自动驾驶每秒要处理 30 帧图像，每帧都做一遍复杂的光照校正，CPU 扛得住吗？
我个人的习惯是：在算法设计阶段就把加速考虑进去。不要等上线了发现跑不动，再回头优化——那时候改代码的成本高得多。
加速技术主要分三个层面：
- 算法层面——用更高效的计算方法，比如积分图加速、快速傅里叶变换
- 硬件层面——利用 GPU、NPU、DSP 做并行加速
- 工程层面——内存优化、流水线设计、多线程调度
这门课里，我会把这三个层面都覆盖到。尤其是算法层面的加速，我会结合我自己在嵌入式设备上做优化的经验，告诉你哪些方法真正管用。
一个小建议：不要盲目追求算法复杂度。有时候一个简单的均值滤波配合查表法，比一个花哨的深度学习模型跑得快得多，效果也不差。
1.4 课程知识体系总览
下面这张图，是我梳理的课程整体结构。你可以把它当作一张地图，后面每章都会对应到其中的一个模块。
1.5 学习目标与课程安排
这门课一共 30 章，我把它分成了四个阶段：
| 阶段 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1-6 章 | 图像预处理基础、光照模型、评价指标 |
| 方法篇 | 第 7-16 章 | 直方图均衡化、Retinex、同态滤波、深度学习补偿 |
| 加速篇 | 第 17-24 章 | 积分图、FFT、GPU、查表法、SIMD 指令优化 |
| 实战篇 | 第 25-30 章 | 嵌入式部署、流水线设计、综合项目实战 |
学完这门课，我希望你能做到三件事：
- 能诊断——看到一张光照不均的图像，能快速判断问题类型
- 能选型——根据场景选择合适的补偿算法和加速方案
- 能落地——把算法部署到实际设备上，跑出可接受的帧率
我的学习建议：每章后面的代码示例，一定要自己动手跑一遍。光看不动手，等于没学。我当年学图像处理时，把每个算法都手写了一遍，虽然慢，但理解深度完全不一样。