4.1.2023

首先是对上一篇博文中所提到论文中的一些方法进行补充。

重参数化（re-parameterization）

在机器学习和深度学习中，re-parameterization（重新参数化）是一种技术，旨在使模型训练更加高效和稳定。re-parameterization 技术将一个随机变量（如一个潜在向量）表示为另一个随机变量的函数，从而使其可以用标准的优化算法进行处理。

在深度学习中，re-parameterization 主要用于优化变分自编码器（VAE）和生成对抗网络（GAN）等模型。这些模型通常涉及对随机噪声的操作，而re-parameterization 可以使这些操作变得更加简单和有效。

具体来说，re-parameterization 技术可以将一个随机变量 z 表示为 μ + σε 的形式，其中 μ 和 σ 是模型的可学参数，ε 是从标准正态分布中采样得到的随机噪声。这个表示方法允许我们使用梯度下降等标准优化算法来优化模型，而不需要使用随机梯度估计等计算复杂的方法。

例如，在变分自编码器中，我们希望学习生成数据的潜在变量表示。我们可以将潜在变量 z 表示为 μ + σε 的形式，其中 μ 和 σ 是变分自编码器的编码器输出，ε 是从标准正态分布中采样得到的随机噪声。通过将 z 表示为这种形式，我们可以使用反向传播算法对 μ 和 σ 进行优化，从而学习到更好的潜在变量表示。

总之，re-parameterization 技术允许我们将随机变量表示为可学参数的函数，从而使模型训练更加高效和稳定。它在深度学习中得到了广泛应用，尤其是在涉及随机噪声的模型中。

参考自：chatGPT

一些新知识：

gamma校正：

Gamma校正是一种在数字图像处理中使用的技术，用于改善显示器显示的图像质量。它是一种针对电视、电影和计算机显示器的技术，它的主要目的是纠正显示器中存在的非线性亮度响应。

Gamma值是用来描述显示器响应的非线性度量。Gamma值越高，显示器的响应曲线就越弯曲，显示的图像就越暗。Gamma值越低，显示器的响应曲线就越直，显示的图像就越亮。

Gamma校正通过应用一个Gamma值来调整图像的亮度级别。Gamma校正的目标是将输入亮度范围内的值映射到输出亮度范围内的值，使得显示器显示的图像具有更好的对比度和色彩鲜艳度。

Gamma校正在数字摄影、电影和计算机图形中广泛使用，可以通过图像处理软件或硬件来实现。

gamma校正具体操作：

1. 确定所需的Gamma值。Gamma值通常在0.5-2.5范围内取值，通常默认值为1.0。

2. 将图像中每个像素的RGB值取出，对其进行以下转换： 新像素值 = 255 * (原像素值 / 255)^（1 / gamma值）

3. 将计算得到的新像素值重新赋给原来的像素位置。

4. 对整个图像重复以上操作直至所有像素完成Gamma校正。

注意：需要确保在处理多通道图像时，对于每个通道都进行相同的Gamma校正操作。

代码如下：

import cv2
import numpy as np

# 加载图像
img = cv2.imread('input_image.jpg', 0)

# 设置 gamma 值
gamma = 1/2.2

# 创建查找表
inv_gamma = 1.0 / gamma
table = np.array([((i / 255.0) ** inv_gamma) * 255
                  for i in np.arange(0, 256)]).astype("uint8")

# 应用查找表
result = cv2.LUT(img, table)

# 显示结果
cv2.imshow('Input Image', img)
cv2.imshow('Gamma Corrected Image', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

gamma=1/2.2

左图为原始图像，右图为gamma校正后的图像

 gamma=2.2

左图为原始图像，右图为gamma校正后的图像

gamma校正的好处在于：能够有效地降低图像局部的阴影和光照变化

函数释义：

1、cv2.imread('1.jpg', 0):将图像1.jpg的灰度图像读入，并返回numpy数组形式

类似的操作还有，PIL库中的Image.open('1.jpg')，不同的是Image.open()函数返回的是PIL库中的Image对象，其中包含了图像的像素信息以及一些相关的元数据，可以进行后续的各种图像操作。

此时需要另外一个函数convert()将图像转换为灰度图像，具体操作为：

from PIL import Image

image = Image.open('1.jpg')
image_gray = image.convert('L')

 2、cv2.LUT()函数用于执行查找表操作。它接受两个参数，第一个参数是输入图像，第二个参数是颜色映射表或灰度级映射表。

该函数返回与输入图像相同大小的输出图像，其中每个像素的像素值通过查找表进行映射。查找表可以由numpy数组表示，其中每个元素表示输入像素值的索引，对应的输出像素值为该元素的值。

通过使用查找表，我们可以对图像进行多种变换，例如图像增强、颜色转换等。

其中LUT是"Look-Up Table"的缩写，也称为表查找或色彩映射表。

 3、cv2.waitKey(0)函数的作用是允许程序等待用户按下一个按键，在这里的作用是使窗口等待，直到用户按下任意键才能关闭窗口。

4、cv2.destroyWindows()函数来销毁所有创建的窗口，以避免内存泄漏。

（tips:如果使用的OpenCV版本较老，可能会出现以下报错：

建议将函数改为 cv2.destroyAllWindows()

请注意，如果您的 OpenCV 版本较老，也可能会出现此错误，因为 'destroyAllWindows' 函数是在 OpenCV 2.4.11 版本中引入的。如果您的版本较老，请尝试升级到最新版本或使用其他相应的函数。）