01
课程导论
实时图像增强的定义、应用场景（安防、医疗、自动驾驶）、课程目标与学习路径。
导论应用场景
02
图像基础
数字图像表示、像素与色彩空间（RGB、HSV、YUV）、图像直方图概念。
色彩空间直方图
03
环境搭建
OpenCV、NumPy、Matplotlib、PyTorch/TensorFlow安装与配置，GPU加速环境检查。
OpenCVGPU
04
OpenCV入门
图像读取、显示、保存、图像属性获取、ROI区域提取。
基础操作ROI
05
色彩空间转换
RGB与灰度、HSV、Lab、YCrCb之间的转换原理与OpenCV实现。
色彩转换
06
直方图均衡化
全局直方图均衡化原理、CLAHE（限制对比度自适应直方图均衡化）原理与实现。
CLAHE对比度
07
伽马校正
伽马变换原理、低光照图像增强、自适应伽马校正算法。
伽马低光照
08
对数与指数变换
对数变换压缩高动态范围、指数变换拉伸暗部细节。
动态范围暗部
09
图像滤波基础
均值滤波、高斯滤波、中值滤波、双边滤波的原理与对比。
滤波去噪
10
锐化与边缘增强
Sobel、Laplacian、Canny边缘检测与Unsharp Masking锐化。
边缘锐化
11
Retinex理论
单尺度Retinex（SSR）、多尺度Retinex（MSR）、带色彩恢复的MSR（MSRCR）。
Retinex色彩恢复
12
暗通道先验去雾
暗通道原理、透射率估计、大气光估计、去雾后处理与实时优化。
去雾暗通道
13
基于深度学习的去雾
AOD-Net、DehazeNet原理简介、模型加载与推理。
深度学习去雾
14
低光照增强（传统方法）
基于直方图的方法、基于Retinex的方法、Dehazing与低光照的关联。
低光照传统
15
低光照增强（深度学习方法）
Zero-DCE、EnlightenGAN原理简介、轻量级模型部署。
Zero-DCEGAN
16
超分辨率增强
SRCNN、ESPCN、FSRCNN原理、OpenCV DNN模块加载超分模型。
超分DNN
17
图像去噪
BM3D原理、非局部均值去噪、深度学习去噪（DnCNN、FFDNet）。
去噪BM3D
18
白平衡与色彩校正
灰度世界假设、完美反射理论、自动白平衡算法实现。
白平衡色彩
19
HDR与色调映射
高动态范围成像、全局与局部色调映射（Reinhard、Durand）。
HDR色调映射
20
视频流实时处理
OpenCV VideoCapture、帧率控制、多线程处理流水线设计。
视频多线程
21
性能优化（CPU）
SIMD指令集、OpenCV UMat与TBB加速、算法复杂度分析。
CPUSIMD
22
性能优化（GPU）
CUDA基础、OpenCV CUDA模块、TensorRT推理加速。
GPUCUDA
23
轻量级模型设计
MobileNet、ShuffleNet在增强任务中的应用、模型剪枝与量化。
轻量剪枝
24
实时增强系统架构
生产者-消费者模型、环形缓冲区、流水线并行设计。
架构流水线
25
GUI应用开发
PyQt5/Qt Designer构建实时增强演示界面、滑块参数调节。
GUIPyQt5
26
摄像头实时增强
调用USB摄像头/网络摄像头、实时显示增强效果、参数动态调整。
摄像头实时
27
移动端与嵌入式部署
OpenCV在Android/iOS上的集成、树莓派与Jetson Nano优化。
嵌入式移动端
28
综合项目实战（一）
构建一个低光照视频实时增强系统，包含GUI与参数调节。
实战低光照
29
综合项目实战（二）
构建一个实时去雾与超分辨率系统，支持视频文件与摄像头输入。
实战去雾
30
课程总结与前沿展望
当前技术瓶颈、未来趋势（NeRF、扩散模型在增强中的应用）、学习资源推荐。
前沿NeRF