libyuv是Google开源的实现各种YUV格式与RGB格式之间相互转换、旋转、缩放的库。关于libyuv的具体介绍可以参考官网介绍。

图像金字塔

图像金字塔的概念

一般而言，我们处理的图像通常是恒定大小（分辨率）的图像。但是在某些特殊的场景下，需要处理同一图像的不同分辨率的图像。例如，在图像中搜索某些内容时（例如面部），由于不确定待搜索的内容在图像中的区域大小，因此需要创建一个具有不同分辨率的图像集，并在该图像集的所有图像中执行搜索操作。

这些具有不同分辨率的图像集称为“图像金字塔”。之所以称其为“图像金字塔”，是因为当这些图像按照分辨率由低到高堆叠在一起时，底部的最大图像和顶部的最小图像看起来就像是一座金字塔。

在学习和研究视频技术的过程中，联合几个同事一起翻译了Digital Video Concepts, Methods, and Metrics: Quality, Compression, Performance, and Power Trade-off Analysis，形成了数字视频概念，方法和测量指标：质量，压缩，性能和电量等的权衡分析（中文版）。该翻译版本仅供学习交流之用。希望对想学习和了解数字视频相关技术的同学，有所帮助。

在翻译的过程中，尽可能的保留了原书的内容，并且对原书中的个别内容进行了修正和补充。

背景

因为工作关系需要了解数字视频相关技术，在学习的过程中找到了这份托管在github上的数字视频导论的材料。

这份材料介绍了基本的数字视频相关技术，言简意赅但又不枯燥无味，即有理论又有丰富的实践操作，在我学习的所有材料中算是比较上乘的材料。

基于如上的原因，将该材料的相关内容转载到此处。大家可以直接访问该材料的github仓库digital_video_introduction获取相关内容。如下的所有内容皆来自digital_video_introduction，特此标注。

SSIM的本质及其缺点

在FFmpeg如何计算图像的SSIM中，详细介绍了$SSIM$的相关概念，并对FFmpeg中的$SSIM$实现做了详细的分析。$SSIM$算法基于HVS更擅长从图像中提取结构信息的事实，并且利用结构相似度来计算图像的感知质量。在Z. Wang等人的论文Multi-scale structural similarity for image quality assessment中也提到，$SSIM$算法要好于当时的其它的感知图像质量指标。

就其本质而言，$SSIM$是一种单尺度的算法，但是实际上正确的图像尺度取决于用户的观看条件，例如显示设备的分辨率，用户的观看距离等。因此，用单尺度的$SSIM$算法来评估图像的感知质量也存在其缺点。

这篇文章是对FFmpeg中计算SSIM算法中用到的公式的证明。其中的$fs1$，$fs2$，$fs12$，$fss$的含义和FFmpeg保持一致，具体可以参考FFmpeg如何计算图像的SSIM中的说明。

SSIM基本概念

关于$SSIM$的具体解释，此处不再介绍，具体可以参见数字视频相关概念中的SSIM算法一节的介绍。

直接给出$SSIM$的计算方法：

$SSIM(x,y)=\frac{(2\mu_x\mu_y+C_1)(2\sigma_{xy}+C_2)}{(\mu_x^2+\mu_y^2+C_1)(\sigma_x^2+\sigma_y^2+C_2)}$

$C_1=(K_1L)^2, C_2=(K_2L)^2$。$K_1\ll1$，$K_2\ll1$均为常数，计算时，一般$K_1=0.01$，$K_2=0.03$。$L$是灰度的动态范围，由图像的数据类型决定，如果数据为uint8，则$L=255$。

由于hexo-asset-image插件存在bug，会导致博文中引用图片时无法生成正确的链接地址，进而导致图片无法访问的现象。
具体解决方案为将文件node_modules/hexo-asset-image/index.js替换为如下的内容：

创建github仓库

首先打开github，点击New repository，创建一个新仓库用于存储博客的所有内容。

仓库名必须为：账户名.github.io，并且需要勾选Initialize this repository with a README。

在建好的仓库右侧有个settings按钮，点击settings，向下滑动到GitHub Pages，会发现有个网址，github会把该仓库中的项目部署到该网址下，该网址也是博客的默认地址。当然也可以购买域名，将其换成喜欢的地址。

凡所过往，皆是序章，新的一年，用4个关键词来讲一讲2019年自己心中的过往和序章。