书籍详情
静脉图像修复与增强
作者：王军，潘在宇，申政文，左慧园
出版社：科学出版社
出版时间：2023-12-01
ISBN：9787030766427
定价：¥89.00
购买这本书可以去
内容简介
手部静脉识别是一种新兴的身份识别技术。与其他生物特征识别相比，手部静脉识别技术具有高安全性、活体检测性和便利性等特性，也是目前最有效的生物特征识别模式之一。本书主要阐述手部静脉识别技术。首先介绍图像修复与增强的研究意义、国内外静脉图像研究现状，然后论述自制的静脉图像数据采集系统，针对静脉图像采集过程中存在诸多不可避免的因素，造成静脉识别系统对静脉信息表征能力不足的问题，提出基于融合可变形模块的U-Net网络、基于非局部对抗的生成对抗网络、基于分离与表示的生成对抗网络的静脉图像修复方法，以及基于Actor-Critic、多尺度特征融合、特征解耦学习的低曝光静脉图像增强方法。
作者简介
暂缺《静脉图像修复与增强》作者简介
目录
目录
前言
第1章绪论1
1.1静脉图像修复与增强概述1
1.2静脉图像修复研究现状2
1.2.1传统的图像修复方法2
1.2.2基于深度学习的图像修复3
1.2.3静脉血管图像修复4
1.3静脉图像增强研究现状5
1.3.1低曝光图像增强研究现状5
1.3.2静脉图像增强方法研究现状9
1.4本书研究内容11
1.4.1主要研究工作.11
1.4.2本书的章节安排12
第2章静脉图像数据集14
2.1静脉图像成像系统14
2.1.1成像光源系统14
2.1.2图像采集系统17
2.2静脉图像数据集类型20
2.2.1自制静脉图像数据集20
2.2.2公开静脉纹图像数据集20
2.2.3低曝光手背静脉图像数据集21
2.3静脉图像预处理22
2.4本章小结23
第3章基于融合可变形模块的U-Net网络的静脉图像修复24
3.1基于卷积神经网络的图像修复24
3.1.1图像风格转换损失与图像修复关系25
3.1.2U-Net网络25
3.2基于融合可变形模块的U-Net模型26
3.2.1可变形卷积网络模块26
3.2.2生成网络28
3.3修复网络训练损失29
3.3.1感知损失与风格损失29
3.3.2对抗损失30
3.4识别实验与结果分析30
3.5本章小结34
第4章基于非局部对抗的生成对抗网络的静脉图像修复35
4.1生成对抗网络技术35
4.1.1生成对抗网络模型与框架35
4.1.2生成对抗网络的应用36
4.2基于非局部对抗的生成对抗网络模型37
4.2.1生成网络模型37
4.2.2空洞卷积38
4.2.3非局部网络模块39
4.3修复网络训练损失41
4.3.1对抗损失41
4.3.2感知损失42
4.3.3训练总损失43
4.4识别实验与结果分析43
4.5本章小结47
第5章基于分离与表示的生成对抗网络的静脉图像修复48
5.1图像到图像的转换49
5.1.1成对图像数据间的转换49
5.1.2非成对图像数据间的转换50
5.2分离与表示的学习50
5.2.1分离与表示研究现状50
5.2.2分离与表示应用51
5.2.3点与线的分离52
5.3修复网络训练损失52
5.3.1对抗损失52
5.3.2循环一致性损失53
5.3.3感知损失53
5.4识别实验与结果分析54
5.5本章小结58
第6章基于Actor-Critic的低曝光静脉图像增强59
6.1Actor-Critic框架59
6.2基于Actor-Critic的静脉图像增强网络63
6.2.1可微图像滤波器63
6.2.2静脉图像增强的Actor-Critic网络框架65
6.2.3静脉图像细节增强模块68
6.3识别实验与结果分析69
6.3.1模型训练过程69
6.3.2多个滤波函数实验70
6.3.3细节增强对比实验72
6.3.4ACN算法与其他模型的对比实验74
6.3.5静脉图像识别率对比实验76
6.4本章小结77
第7章基于多尺度特征融合的低曝光静脉图像增强78
7.1多尺度特征融合和通道注意力机制78
7.1.1多尺度特征融合79
7.1.2通道注意力机制80
7.2残差单元介绍81
7.3静脉图像多尺度特征融合模型构建82
7.3.1静脉多尺度融合残差块设计83
7.3.2多尺度融合模型的损失函数86
7.4识别实验与结果分析86
7.4.1模型训练过程86
7.4.2静脉多尺度融合残差块数量实验86
7.4.3注意力机制SE模块对比实验87
7.4.4与其他模型的对比实验88
7.4.5静脉图像识别率对比实验90
7.5本章小结91
第8章基于特征解耦学习的低曝光静脉图像增强92
8.1自编码网络与特征解耦学习92
8.1.1自编码网络92
8.1.2特征解耦学习93
8.2基于特征解耦学习的静脉图像增强网络94
8.2.1静脉图像背景与纹理特征解耦网络95
8.2.2静脉图像增强网络97
8.3识别实验与结果分析98
8.3.1实验数据集和模型训练过程98
8.3.2纹理特征重建图像对比实验99
8.3.3与其他模型的对比实验101
8.3.4静脉图像识别率对比实验103
8.4本章小结104
参考文献105
后记115
前言
第1章绪论1
1.1静脉图像修复与增强概述1
1.2静脉图像修复研究现状2
1.2.1传统的图像修复方法2
1.2.2基于深度学习的图像修复3
1.2.3静脉血管图像修复4
1.3静脉图像增强研究现状5
1.3.1低曝光图像增强研究现状5
1.3.2静脉图像增强方法研究现状9
1.4本书研究内容11
1.4.1主要研究工作.11
1.4.2本书的章节安排12
第2章静脉图像数据集14
2.1静脉图像成像系统14
2.1.1成像光源系统14
2.1.2图像采集系统17
2.2静脉图像数据集类型20
2.2.1自制静脉图像数据集20
2.2.2公开静脉纹图像数据集20
2.2.3低曝光手背静脉图像数据集21
2.3静脉图像预处理22
2.4本章小结23
第3章基于融合可变形模块的U-Net网络的静脉图像修复24
3.1基于卷积神经网络的图像修复24
3.1.1图像风格转换损失与图像修复关系25
3.1.2U-Net网络25
3.2基于融合可变形模块的U-Net模型26
3.2.1可变形卷积网络模块26
3.2.2生成网络28
3.3修复网络训练损失29
3.3.1感知损失与风格损失29
3.3.2对抗损失30
3.4识别实验与结果分析30
3.5本章小结34
第4章基于非局部对抗的生成对抗网络的静脉图像修复35
4.1生成对抗网络技术35
4.1.1生成对抗网络模型与框架35
4.1.2生成对抗网络的应用36
4.2基于非局部对抗的生成对抗网络模型37
4.2.1生成网络模型37
4.2.2空洞卷积38
4.2.3非局部网络模块39
4.3修复网络训练损失41
4.3.1对抗损失41
4.3.2感知损失42
4.3.3训练总损失43
4.4识别实验与结果分析43
4.5本章小结47
第5章基于分离与表示的生成对抗网络的静脉图像修复48
5.1图像到图像的转换49
5.1.1成对图像数据间的转换49
5.1.2非成对图像数据间的转换50
5.2分离与表示的学习50
5.2.1分离与表示研究现状50
5.2.2分离与表示应用51
5.2.3点与线的分离52
5.3修复网络训练损失52
5.3.1对抗损失52
5.3.2循环一致性损失53
5.3.3感知损失53
5.4识别实验与结果分析54
5.5本章小结58
第6章基于Actor-Critic的低曝光静脉图像增强59
6.1Actor-Critic框架59
6.2基于Actor-Critic的静脉图像增强网络63
6.2.1可微图像滤波器63
6.2.2静脉图像增强的Actor-Critic网络框架65
6.2.3静脉图像细节增强模块68
6.3识别实验与结果分析69
6.3.1模型训练过程69
6.3.2多个滤波函数实验70
6.3.3细节增强对比实验72
6.3.4ACN算法与其他模型的对比实验74
6.3.5静脉图像识别率对比实验76
6.4本章小结77
第7章基于多尺度特征融合的低曝光静脉图像增强78
7.1多尺度特征融合和通道注意力机制78
7.1.1多尺度特征融合79
7.1.2通道注意力机制80
7.2残差单元介绍81
7.3静脉图像多尺度特征融合模型构建82
7.3.1静脉多尺度融合残差块设计83
7.3.2多尺度融合模型的损失函数86
7.4识别实验与结果分析86
7.4.1模型训练过程86
7.4.2静脉多尺度融合残差块数量实验86
7.4.3注意力机制SE模块对比实验87
7.4.4与其他模型的对比实验88
7.4.5静脉图像识别率对比实验90
7.5本章小结91
第8章基于特征解耦学习的低曝光静脉图像增强92
8.1自编码网络与特征解耦学习92
8.1.1自编码网络92
8.1.2特征解耦学习93
8.2基于特征解耦学习的静脉图像增强网络94
8.2.1静脉图像背景与纹理特征解耦网络95
8.2.2静脉图像增强网络97
8.3识别实验与结果分析98
8.3.1实验数据集和模型训练过程98
8.3.2纹理特征重建图像对比实验99
8.3.3与其他模型的对比实验101
8.3.4静脉图像识别率对比实验103
8.4本章小结104
参考文献105
后记115
猜您喜欢
