1. 课程导论：降噪与Gamma校正的重要性、课程目标与学习路径、预备知识要求
1.1 为什么降噪与Gamma校正是图像处理的核心基石
在数字图像采集、传输与显示的完整链路中，噪声与亮度非线性失真始终是影响视觉质量的两大关键挑战。传感器热噪声、光子散粒噪声、量化噪声以及有损压缩引入的伪影，会严重降低图像的信噪比（SNR）与后续分析任务的精度。与此同时，几乎所有显示设备（CRT、LCD、OLED）均遵循非线性电光转换特性，即Gamma曲线；若不对图像进行Gamma校正，将导致暗部细节丢失、亮部过曝以及整体对比度失真。
核心认知： 降噪与Gamma校正并非独立的预处理步骤，而是相互耦合的优化问题。噪声的存在会放大Gamma校正后的量化误差，而Gamma校正的非线性映射又会改变噪声的统计分布特性。因此，在参数配置实践中必须将二者联合考虑。
行业参考： 在ISO 12233标准测试与DxOMark评测体系中，降噪强度与Gamma曲线斜率（通常取2.2）的匹配度，直接决定了最终成像系统的动态范围评分。
1.2 课程目标与学习路径
本课程旨在培养学员在工业级图像处理管线中独立配置与优化降噪及Gamma校正参数的能力。课程采用“理论→仿真→实测”三阶段递进式学习路径，确保学员既能理解数学原理，又能解决实际工程问题。
| 阶段 | 章节范围 | 核心产出 | 实践工具 |
|---|---|---|---|
| 基础理论 | 第1-5章 | 噪声模型、Gamma曲线数学表达、参数敏感性分析 | Python + NumPy |
| 算法实现 | 第6-15章 | 高斯/双边/非局部均值降噪、自适应Gamma校正 | OpenCV + scikit-image |
| 工程实战 | 第16-30章 | ISP管线集成、实时视频流优化、硬件参数映射 | C++ / FPGA仿真平台 |
学习路径建议： 若学员仅关注算法调参，可跳过第20-25章的硬件映射内容；但强烈建议至少完成第1-15章的全部理论与实践作业，以建立完整的参数感知体系。
1.3 预备知识要求
为顺利学习本课程，学员应具备以下基础知识与技能。建议在开课前使用下方自评表进行快速摸底。
| 知识领域 | 具体要求 | 推荐复习资源 |
|---|---|---|
| 数字图像处理基础 | 理解像素、直方图、卷积、傅里叶变换基本概念 | 《数字图像处理》冈萨雷斯 第1-4章 |
| 线性代数与概率统计 | 矩阵运算、高斯分布、均方误差（MSE）计算 | MIT 18.06 线性代数 / 可汗学院统计学 |
| Python编程能力 | 熟练使用NumPy、Matplotlib；了解OpenCV基本API | 官方NumPy快速入门教程 |
| 信号与系统 | 采样定理、频率响应、滤波器设计基础 | 《信号与系统》奥本海姆 第1-6章 |
自评方法： 若上述四项中有两项及以上“不熟悉”，建议先完成对应复习资源的核心章节再进入本课程。课程第2章将提供一次快速基础测试，帮助学员定位薄弱环节。
1.4 课程配套环境与工具链
本课程所有实验均基于以下统一环境配置。请在第1周内完成环境搭建，后续章节不再重复说明。
- 操作系统： Ubuntu 22.04 LTS / Windows 11 / macOS 14+（三选一）
- Python版本： 3.10 或 3.11（推荐使用Miniconda管理虚拟环境）
- 核心依赖：
numpy==1.26.0
opencv-python==4.9.0.80
scikit-image==0.22.0
matplotlib==3.8.0
scipy==1.11.3
- 可选工具： Jupyter Lab（交互式探索）、VS Code + Python插件（代码调试）
验证命令： 在终端执行
python -c "import cv2; print(cv2.__version__)"，若输出 4.9.0 或更高版本，则环境配置成功。