书籍详情
现代数字图像处理技术
作者：郭晓杰，李鑫慧 著
出版社：科学出版社
出版时间：2021-11-01
ISBN：9787030701176
定价：¥128.00
购买这本书可以去
内容简介
现代数字图像处理技术是现代科学的重要研究前沿领域。《现代数字图像处理技术》以数字图像处理的研究方法、图像处理传统算法以及基于深度学习的图像处理方法为主要内容，对近年来计算机视觉领域的先进研究方法进行了详细的归纳和介绍。系统介绍了数字图像处理相关基础操作、神经网络核心概念等基础知识，以及集中论述了图像复原、图像增强、目标检测、图像分割、多任务学习等核心图像处理技术。
作者简介
暂缺《现代数字图像处理技术》作者简介
目录
目录
前言
第1章 数字图像处理基础 1
1.1 数字图像处理概述 1
1.1.1 图像的概念 2
1.1.2 图像的分类 3
1.1.3 图像的语义 3
1.2 数字图像处理基本运算 5
1.2.1 基本运算类型 5
1.2.2 点运算 5
1.2.3 代数运算 7
1.2.4 几何运算 8
1.3 数字图像处理基础知识 12
1.3.1 图像的色彩空间 12
1.3.2 图像的二值形态学 14
1.3.3 图像的直方图 14
1.3.4 图像金字塔 17
1.3.5 边缘特征提取 20
1.3.6 其他特征提取 26
参考文献 28
第2章 神经网络 30
2.1 神经网络基础知识 30
2.1.1 神经元与感知机 30
2.1.2 反向传播算法 33
2.1.3 输入与输出 35
2.1.4 激活函数 35
2.1.5 损失函数 37
2.2 神经网络的优化及面临的问题 38
2.2.1 参数初始化 38
2.2.2 正则化 41
2.2.3 常用优化算法 41
2.2.4 神经网络面临的问题 44
2.3 卷积神经网络 46
2.3.1 基础知识 46
2.3.2 卷积神经网络组成 48
2.3.3 其他卷积方式 51
2.3.4 常用卷积神经网络 53
参考文献 56
第3章 图像复原 57
3.1 图像去噪 57
3.1.1 简介 57
3.1.2 常见噪声模型 57
3.1.3 经典传统去噪方法 60
3.1.4 基于深度学习的去噪方法 64
3.1.5 真实图像噪声的去噪方法 71
3.1.6 小结 74
3.2 图像去模糊 74
3.2.1 图像去模糊理论基础 74
3.2.2 基于优化的传统去模糊方法 78
3.2.3 基于深度学习的去模糊方法 87
3.2.4 小结 91
3.3 图像去雾 91
3.3.1 图像去雾的意义 91
3.3.2 传统去雾方法 91
3.3.3 基于深度学习的方法 95
3.3.4 小结 97
参考文献 97
第4章 图像增强 100
4.1 图像平滑 100
4.1.1 平滑的意义 100
4.1.2 传统平滑方法 100
4.1.3 基于深度学习的方法 106
4.1.4 小结 110
4.2 图像融合 110
4.2.1 图像融合概述 110
4.2.2 基于变换域的图像融合方法 113
4.2.3 基于空间域的图像融合方法 114
4.2.4 基于深度学习的图像融合方法 116
4.2.5 融合评价指标 119
4.2.6 图像融合的主要应用 120
4.2.7 小结 122
4.3 低光照图像增强 123
4.3.1 低光照图像增强概述 123
4.3.2 基于Retinex理论的低光照图像增强算法 124
4.3.3 基于深度学习的低光照图像增强算法 127
4.3.4 小结 134
参考文献 134
第5章 目标检测 136
5.1 基础概念 136
5.1.1 背景知识 136
5.1.2 目标检测相关概念 136
5.2 传统目标检测算法 137
5.2.1 传统算法流程 137
5.2.2 传统算法框架 138
5.3 基于深度学习的目标检测算法 149
5.3.1 双阶段目标检测算法 149
5.3.2 单阶段目标检测算法 159
5.4 本章小结 173
参考文献 173
第6章 图像分割 176
6.1 概述 176
6.1.1 图像分割概述 176
6.1.2 图像分割发展背景 176
6.2 图像分割传统算法 177
6.2.1 基于阈值分割的算法 177
6.2.2 基于区域提取的算法 180
6.2.3 基于边缘检测的算法 182
6.2.4 结合特定理论工具的算法 183
6.3 基于深度学习的图像分割算法 185
6.3.1 全卷积网络 185
6.3.2 带图模型的卷积模型 188
6.3.3 基于编码器-解码器的结构 190
6.3.4 基于多尺度和金字塔网络的模型 193
6.3.5 膨胀卷积模型与DeepLab系列 197
6.3.6 基于循环神经网络的模型 202
6.3.7 基于注意力机制的方法 205
6.3.8 生成模型和对抗训练 208
6.4 本章小结 211
参考文献 211
第7章 多任务学习 213
7.1 图像与图像边缘 213
7.1.1 边缘引导的图像补全 214
7.1.2 边缘引导的图像超分辨率 215
7.1.3 边缘引导的语义分割 217
7.1.4 边缘引导的图像平滑 225
7.1.5 小结 227
7.2 图像与图像平滑 227
7.2.1 图像平滑引导的图像补全 227
7.2.2 小结 230
7.3 图像与语义分割 230
7.3.1 语义分割引导的图像补全 230
7.3.2 语义分割结合图像超分辨率 231
7.3.3 语义分割引导的图像重定向 234
7.3.4 场景分割引导的图像融合 236
7.3.5 小结 239
7.4 图像理解与图像增强和复原 239
7.4.1 图像增强结合目标检测 240
7.4.2 图像增强结合语义分割 242
7.4.3 图像去噪与图像理解 244
7.4.4 图像分类驱动的图像增强 245
7.4.5 小结 247
参考文献 247
彩图
前言
第1章 数字图像处理基础 1
1.1 数字图像处理概述 1
1.1.1 图像的概念 2
1.1.2 图像的分类 3
1.1.3 图像的语义 3
1.2 数字图像处理基本运算 5
1.2.1 基本运算类型 5
1.2.2 点运算 5
1.2.3 代数运算 7
1.2.4 几何运算 8
1.3 数字图像处理基础知识 12
1.3.1 图像的色彩空间 12
1.3.2 图像的二值形态学 14
1.3.3 图像的直方图 14
1.3.4 图像金字塔 17
1.3.5 边缘特征提取 20
1.3.6 其他特征提取 26
参考文献 28
第2章 神经网络 30
2.1 神经网络基础知识 30
2.1.1 神经元与感知机 30
2.1.2 反向传播算法 33
2.1.3 输入与输出 35
2.1.4 激活函数 35
2.1.5 损失函数 37
2.2 神经网络的优化及面临的问题 38
2.2.1 参数初始化 38
2.2.2 正则化 41
2.2.3 常用优化算法 41
2.2.4 神经网络面临的问题 44
2.3 卷积神经网络 46
2.3.1 基础知识 46
2.3.2 卷积神经网络组成 48
2.3.3 其他卷积方式 51
2.3.4 常用卷积神经网络 53
参考文献 56
第3章 图像复原 57
3.1 图像去噪 57
3.1.1 简介 57
3.1.2 常见噪声模型 57
3.1.3 经典传统去噪方法 60
3.1.4 基于深度学习的去噪方法 64
3.1.5 真实图像噪声的去噪方法 71
3.1.6 小结 74
3.2 图像去模糊 74
3.2.1 图像去模糊理论基础 74
3.2.2 基于优化的传统去模糊方法 78
3.2.3 基于深度学习的去模糊方法 87
3.2.4 小结 91
3.3 图像去雾 91
3.3.1 图像去雾的意义 91
3.3.2 传统去雾方法 91
3.3.3 基于深度学习的方法 95
3.3.4 小结 97
参考文献 97
第4章 图像增强 100
4.1 图像平滑 100
4.1.1 平滑的意义 100
4.1.2 传统平滑方法 100
4.1.3 基于深度学习的方法 106
4.1.4 小结 110
4.2 图像融合 110
4.2.1 图像融合概述 110
4.2.2 基于变换域的图像融合方法 113
4.2.3 基于空间域的图像融合方法 114
4.2.4 基于深度学习的图像融合方法 116
4.2.5 融合评价指标 119
4.2.6 图像融合的主要应用 120
4.2.7 小结 122
4.3 低光照图像增强 123
4.3.1 低光照图像增强概述 123
4.3.2 基于Retinex理论的低光照图像增强算法 124
4.3.3 基于深度学习的低光照图像增强算法 127
4.3.4 小结 134
参考文献 134
第5章 目标检测 136
5.1 基础概念 136
5.1.1 背景知识 136
5.1.2 目标检测相关概念 136
5.2 传统目标检测算法 137
5.2.1 传统算法流程 137
5.2.2 传统算法框架 138
5.3 基于深度学习的目标检测算法 149
5.3.1 双阶段目标检测算法 149
5.3.2 单阶段目标检测算法 159
5.4 本章小结 173
参考文献 173
第6章 图像分割 176
6.1 概述 176
6.1.1 图像分割概述 176
6.1.2 图像分割发展背景 176
6.2 图像分割传统算法 177
6.2.1 基于阈值分割的算法 177
6.2.2 基于区域提取的算法 180
6.2.3 基于边缘检测的算法 182
6.2.4 结合特定理论工具的算法 183
6.3 基于深度学习的图像分割算法 185
6.3.1 全卷积网络 185
6.3.2 带图模型的卷积模型 188
6.3.3 基于编码器-解码器的结构 190
6.3.4 基于多尺度和金字塔网络的模型 193
6.3.5 膨胀卷积模型与DeepLab系列 197
6.3.6 基于循环神经网络的模型 202
6.3.7 基于注意力机制的方法 205
6.3.8 生成模型和对抗训练 208
6.4 本章小结 211
参考文献 211
第7章 多任务学习 213
7.1 图像与图像边缘 213
7.1.1 边缘引导的图像补全 214
7.1.2 边缘引导的图像超分辨率 215
7.1.3 边缘引导的语义分割 217
7.1.4 边缘引导的图像平滑 225
7.1.5 小结 227
7.2 图像与图像平滑 227
7.2.1 图像平滑引导的图像补全 227
7.2.2 小结 230
7.3 图像与语义分割 230
7.3.1 语义分割引导的图像补全 230
7.3.2 语义分割结合图像超分辨率 231
7.3.3 语义分割引导的图像重定向 234
7.3.4 场景分割引导的图像融合 236
7.3.5 小结 239
7.4 图像理解与图像增强和复原 239
7.4.1 图像增强结合目标检测 240
7.4.2 图像增强结合语义分割 242
7.4.3 图像去噪与图像理解 244
7.4.4 图像分类驱动的图像增强 245
7.4.5 小结 247
参考文献 247
彩图
猜您喜欢
