书籍详情
数字图像视觉显著性检测、修复与目标识别技术
作者：徐涛 著
出版社：化学工业出版社
出版时间：2024-01-01
ISBN：9787122438904
定价：¥88.00
购买这本书可以去
内容简介
本书以提高智能无人系统的环境感知和识别能力为主线，系统展示基于视觉注意机制的服务机器人深度感知方法研究、基于深度学习框架的水下遮挡图像识别方法研究、面向畜类肉品骨骼在线定位的轻量化显著性检测网络构建等典型应用案例。本书充分介绍了视觉显著性检测、视觉注意机制、图像修复、目标检测与识别的发展现状，构建了基于脉冲耦合神经网络和基于元胞自动机多尺度优化的改进显著性区域提取算法，提出了基于两阶段引导的协同显著性检测方法，同时基于深度学习框架搭建多个遮挡图像重构和目标识别方法，并在软件仿真、真实环境等多实验场景中验证了算法的有效性。本书适合从事智能机器人开发和研制的科研人员、智能制造行业及智能城市建设管理人员阅读，也可作为高等院校人工智能、机器人工程、农业工程等专业教师、学生的参考书。
作者简介
无
目录
第一章绪论
第一节计算机视觉技术002
第二节视觉注意机制研究现状005
一、 元胞自动机的基本结构006
二、协同显著性算法研究现状010
第三节图像修复与目标检测研究现状013
一、图像修复的研究现状013
二、目标检测的研究现状015
第二章基于PCNN的显著性区域混合估计模型研究
第一节引言018
第二节显著性滤波算法020
一、图像预处理（abstraction）020
二、颜色独立性度量（element uniqueness）021
三、空间颜色分布度量（element distribution）022
四、生成显著性图（saliency assignment）023
五、算法鲁棒性讨论023
第三节基于PCNN的改进显著性区域提取算法025
一、输入单元026
二、连接调制单元027
三、点火脉冲单元027
第四节实验结果及总结分析030
一、标准数据库030
二、评价方案和指标031
三、标准数据库实验及分析033
第三章基于多尺度优化的显著性目标细微区域检测方法研究
第一节引言044
第二节元胞自动机模型045
一、元胞自动机的基本结构045
二、元胞自动机的应用047
第三节显著性目标细微区域检测算法047
一、暗通道先验原始显著性图049
二、元胞自动机优化显著性图051
三、贝叶斯概率融合方法052
第四节实验结果及分析054
一、DUTOMRON数据库054
二、加权综合F值评价方案055
三、数据库实验及分析058
第四章基于引导传播和流形排序的协同显著性检测方法研究
第一节引言068
第二节基于流形排序的显著性计算方法069
一、流形排序070
二、图模型建立070
三、显著性检测071
第三节协同显著性算法模型072
一、输入图像预处理074
二、图像间显著性传播075
三、图像内流形排序076
第四节实验结果及分析078
一、协同显著性数据库078
二、定性和定量对比实验078
三、算法参数讨论086
四、算法模型独立性分析087
五、算法执行效率088
六、真实场景图像检测和分割实验088
第五章场内外特征融合的水下残缺图像精细修复
第一节常识性知识的检索和嵌入092
第二节特征融合094
第三节基于场内外特征融合的水下残缺图像重构096
一、水下残缺图像重构模型096
二、粗修复网络096
三、精细修复网络097
四、损失函数099
第四节场内外特征融合的水下残缺图像修复结果与分析100
一、实验设置100
二、定性评价实验100
三、定量评价实验104
第六章基于显著环境特征融合的水下遮挡目标精细重构
第一节对比学习108
第二节注意力机制110
第三节基于环境特征融合的水下遮挡目标精细重构112
一、水下遮挡目标精细重构模型112
二、模型训练与损失函数113
第四节基于环境特征融合的水下遮挡目标重构实验结果与分析114
一、实验设置114
二、水下遮挡图像重构仿真与结果分析114
第七章水下遮挡目标的识别
第一节基于迁移学习的水下遮挡目标识别122
一、迁移学习介绍123
二、基于自适应多特征集成迁移学习模型123
三、基于迁移学习的水下遮挡目标识别124
第二节基于融合显著环境特征的水下遮挡目标识别125
一、特征提取126
二、交互作用128
三、目标识别及损失函数129
四、基于融合显著环境特征的水下遮挡目标识别仿真与结果分析130
第三节基于两阶段图像重构策略的水下遮挡目标识别136
一、自适应边界回归的目标识别模型136
二、基于两阶段图像重构策略的水下遮挡目标识别仿真与结果分析139
第八章应用案例
第一节显著性检测在机器人目标抓取任务中的典型应用案例144
一、服务机器人平台介绍144
二、基于显著性检测的空间障碍物感知策略148
三、基于协同显著性检测的空间物体检测与定位方法151
第二节水下目标识别在AUV场景感知任务中的典型应用案例155
一、水下机器人的研究现状155
二、图像处理技术在水下机器人领域的应用现状156
三、机器人调试与水下图像识别157
第三节轻量级显著性检测在肉品智能化加工中的经典应用案例157
一、轻量级显著性检测研究现状157
二、国内外肉品智能化加工机器人技术发展状况158
三、基于轻量化显著性检测的畜类肉品骨骼在线定位160
第四节总结与展望162
一、总结162
二、展望165
参考文献
第一节计算机视觉技术002
第二节视觉注意机制研究现状005
一、 元胞自动机的基本结构006
二、协同显著性算法研究现状010
第三节图像修复与目标检测研究现状013
一、图像修复的研究现状013
二、目标检测的研究现状015
第二章基于PCNN的显著性区域混合估计模型研究
第一节引言018
第二节显著性滤波算法020
一、图像预处理（abstraction）020
二、颜色独立性度量（element uniqueness）021
三、空间颜色分布度量（element distribution）022
四、生成显著性图（saliency assignment）023
五、算法鲁棒性讨论023
第三节基于PCNN的改进显著性区域提取算法025
一、输入单元026
二、连接调制单元027
三、点火脉冲单元027
第四节实验结果及总结分析030
一、标准数据库030
二、评价方案和指标031
三、标准数据库实验及分析033
第三章基于多尺度优化的显著性目标细微区域检测方法研究
第一节引言044
第二节元胞自动机模型045
一、元胞自动机的基本结构045
二、元胞自动机的应用047
第三节显著性目标细微区域检测算法047
一、暗通道先验原始显著性图049
二、元胞自动机优化显著性图051
三、贝叶斯概率融合方法052
第四节实验结果及分析054
一、DUTOMRON数据库054
二、加权综合F值评价方案055
三、数据库实验及分析058
第四章基于引导传播和流形排序的协同显著性检测方法研究
第一节引言068
第二节基于流形排序的显著性计算方法069
一、流形排序070
二、图模型建立070
三、显著性检测071
第三节协同显著性算法模型072
一、输入图像预处理074
二、图像间显著性传播075
三、图像内流形排序076
第四节实验结果及分析078
一、协同显著性数据库078
二、定性和定量对比实验078
三、算法参数讨论086
四、算法模型独立性分析087
五、算法执行效率088
六、真实场景图像检测和分割实验088
第五章场内外特征融合的水下残缺图像精细修复
第一节常识性知识的检索和嵌入092
第二节特征融合094
第三节基于场内外特征融合的水下残缺图像重构096
一、水下残缺图像重构模型096
二、粗修复网络096
三、精细修复网络097
四、损失函数099
第四节场内外特征融合的水下残缺图像修复结果与分析100
一、实验设置100
二、定性评价实验100
三、定量评价实验104
第六章基于显著环境特征融合的水下遮挡目标精细重构
第一节对比学习108
第二节注意力机制110
第三节基于环境特征融合的水下遮挡目标精细重构112
一、水下遮挡目标精细重构模型112
二、模型训练与损失函数113
第四节基于环境特征融合的水下遮挡目标重构实验结果与分析114
一、实验设置114
二、水下遮挡图像重构仿真与结果分析114
第七章水下遮挡目标的识别
第一节基于迁移学习的水下遮挡目标识别122
一、迁移学习介绍123
二、基于自适应多特征集成迁移学习模型123
三、基于迁移学习的水下遮挡目标识别124
第二节基于融合显著环境特征的水下遮挡目标识别125
一、特征提取126
二、交互作用128
三、目标识别及损失函数129
四、基于融合显著环境特征的水下遮挡目标识别仿真与结果分析130
第三节基于两阶段图像重构策略的水下遮挡目标识别136
一、自适应边界回归的目标识别模型136
二、基于两阶段图像重构策略的水下遮挡目标识别仿真与结果分析139
第八章应用案例
第一节显著性检测在机器人目标抓取任务中的典型应用案例144
一、服务机器人平台介绍144
二、基于显著性检测的空间障碍物感知策略148
三、基于协同显著性检测的空间物体检测与定位方法151
第二节水下目标识别在AUV场景感知任务中的典型应用案例155
一、水下机器人的研究现状155
二、图像处理技术在水下机器人领域的应用现状156
三、机器人调试与水下图像识别157
第三节轻量级显著性检测在肉品智能化加工中的经典应用案例157
一、轻量级显著性检测研究现状157
二、国内外肉品智能化加工机器人技术发展状况158
三、基于轻量化显著性检测的畜类肉品骨骼在线定位160
第四节总结与展望162
一、总结162
二、展望165
参考文献
猜您喜欢
