第1章：图像基础——像素、分辨率、色彩空间与质量评价
大家好，我是这门课的主讲。在正式开始超分辨率算法之前，咱们得先把地基打牢。你想想看，连图像的基本构成都不清楚，怎么去谈「让模糊变高清」？
这一章，我会带你从最底层的像素开始，一步步往上走。放心，不会太枯燥。我会穿插一些我实际踩过的坑，希望能帮你少走弯路。
1.1 像素：图像的最小单元
像素是什么？说白了，就是图像里最小的「点」。每个点都有自己的颜色值。一张图，就是由成千上万个这样的点拼起来的。
我个人习惯把像素想象成「马赛克」。你凑近了看，每个小方块就是一个像素。离远了看，这些小方块就组成了完整的画面。
关键点：像素本身没有物理尺寸。它只是一个数字。只有在显示器或打印纸上，它才对应一个实际的物理点。
举个例子：一张 1920×1080 的图片，就是横向有 1920 个像素，纵向有 1080 个像素。总像素数就是 1920 × 1080 ≈ 207 万，也就是我们常说的 200 万像素。
我的经验：我在做图像去噪项目时，经常需要处理单个像素的异常值。比如一个纯黑背景上突然冒出一个白点，那就是坏像素。处理这种问题，你得先理解像素的邻域关系。
1.2 分辨率：清晰度的直接体现
分辨率这个词，大家应该不陌生。但我要提醒你，它其实有两个层面的含义。
- 图像分辨率：指图像本身的像素尺寸。比如 640×480、1920×1080。
- 显示分辨率：指显示设备每英寸能显示的像素数（PPI，Pixels Per Inch）。
为什么超分辨率算法只关心图像分辨率？因为我们的目标是增加像素数量，而不是改变显示器的物理特性。
避坑指南：我曾经犯过一个错误——把一张低分辨率图片直接拉伸到高分辨率，结果图像变得模糊不堪。这就是典型的「插值放大」，不是真正的超分辨率。真正的超分辨率，是要「无中生有」地生成新的细节。
这里我画了一张图，帮你理清像素、分辨率、图像质量之间的关系：
1.3 色彩空间：RGB 与 YCbCr
色彩空间，就是描述颜色的数学模型。最常用的是 RGB，但超分辨率领域更偏爱 YCbCr。
1.3.1 RGB 色彩空间
RGB 就是红、绿、蓝三原色。每个像素由三个通道组成，每个通道取值 0-255。比如纯红色就是 (255, 0, 0)。
但 RGB 有个问题：三个通道的相关性很强。你改变亮度，三个通道都得跟着变。这对图像处理来说不太友好。
1.3.2 YCbCr 色彩空间
YCbCr 把亮度（Y）和色度（Cb、Cr）分开了。Y 代表亮度信息，Cb 和 Cr 代表颜色信息。
为什么超分辨率算法喜欢用 YCbCr？因为人眼对亮度变化更敏感，对颜色变化相对迟钝。所以我们只需要对 Y 通道做超分辨率，Cb 和 Cr 通道直接插值放大就行。这样能省下不少计算量。
核心结论：在超分辨率任务中，我们通常只处理 Y 通道。Cb 和 Cr 通道用简单的双线性插值放大即可。这是业界的标准做法。
下面这个表格，帮你快速对比 RGB 和 YCbCr：
| 特性 | RGB | YCbCr |
|---|---|---|
| 通道数 | 3 (R, G, B) | 3 (Y, Cb, Cr) |
| 通道相关性 | 高 | 低 |
| 亮度与色度 | 混合在一起 | 分离 |
| 超分辨率适用性 | 一般（需处理三个通道） | 优秀（只处理 Y 通道） |
1.4 图像质量评价指标：PSNR 与 SSIM
做超分辨率，你得知道怎么评价结果好不好。总不能光靠眼睛看吧？
业界最常用的两个指标：PSNR 和 SSIM。我一个个说。
1.4.1 PSNR（峰值信噪比）
PSNR 衡量的是两幅图像之间的像素级差异。数值越高，说明差异越小，图像质量越好。
公式长这样：
PSNR = 10 * log10( MAX^2 / MSE )其中 MAX 是像素最大值（通常是 255），MSE 是均方误差。
我的经验：PSNR 超过 30dB 通常算不错，超过 40dB 就非常好了。但要注意，PSNR 高不代表视觉效果好。我见过 PSNR 很高但图像很模糊的情况。所以别只看 PSNR。
1.4.2 SSIM（结构相似性）
SSIM 从亮度、对比度、结构三个维度来评价图像。它更接近人眼的视觉感知。
SSIM 的取值范围是 0 到 1。1 表示两幅图完全一样，0 表示完全不同。通常 SSIM 在 0.9 以上就算不错。
避坑指南：我曾经在项目里只盯着 PSNR 优化，结果模型收敛到很高的 PSNR，但生成的图像细节全没了，像被磨皮了一样。后来我改用 PSNR + SSIM 联合优化，效果才真正好起来。所以，两个指标要一起看。
最后，我整理了一个小总结：
- 像素：图像的最小单元，没有物理尺寸。
- 分辨率：像素数量的多少，决定图像尺寸。
- 色彩空间：RGB 适合显示，YCbCr 适合处理。
- 质量评价：PSNR 看像素差异，SSIM 看结构相似性。
嗯，这一章的内容就到这里。记住这些基础概念，后面讲算法的时候你会觉得轻松很多。