AI源碼解讀：數字圖像處理案例（Python版）( 簡體 字) | |
| 作者：李永華 | 類別：1. -> 教材 -> 數位影像處理 2. -> 程式設計 -> Python |
| 出版社：清華大學出版社 |  3dWoo書號： 55440詢問書籍請說出此書號！ 有庫存 NT售價： 595 元 |
| 出版日：11/1/2021 | |
| 頁數：476 | |
| 光碟數：0 | |
站長推薦：   | |
| 印刷：黑白印刷 | 語系： ( 簡體 字 ) |
| ISBN：9787302571582 | 加入購物車 │加到我的最愛 (請先登入會員) |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證, 繁體書的下載亦請直接連絡出版社) | |
項目1基于插幀和超分辨率的視頻增強應用
1.1總體設計 1.1.1系統整體結構 1.1.2系統流程 1.2運行環境 1.2.1Python環境 1.2.2PyTorch環境 1.2.3FFmpeg使用 1.2.4百度AIStudio使用 1.3模塊實現 1.3.1視頻處理模塊 1.3.2超分辨率模塊 1.3.3插幀模塊 1.3.4GUI模塊 1.4系統測試 1.4.1算法訓練 1.4.2GUI界面效果 1.4.3輸出效果展示 項目2基于Pix2Pix的快速圖像風格遷移 2.1總體設計 2.1.1系統整體結構 2.1.2系統流程 2.2運行環境 2.2.1Python環境 2.2.2TensorFlow環境 2.2.3Flask環境 2.2.4微信小程序環境 2.3模塊實現 2.3.1數據預處理 2.3.2創建模型與編譯 2.3.3模型訓練及保存 2.3.4構建Pix2Pix數據集 2.3.5Pix2Pix模型構建 2.3.6Pix2Pix模型訓練及保存 2.3.7后端搭建 2.4系統測試 2.4.1訓練效果 2.4.2測試效果 2.4.3模型應用 項目3常見花卉識別 3.1總體設計 3.1.1系統整體結構 3.1.2系統流程 3.2運行環境 3.2.1Python環境 3.2.2TensorFlow環境 3.2.3Android環境 3.3模塊實現 3.3.1數據預處理 3.3.2創建模型并編譯 3.3.3模型訓練及保存 3.3.4模型生成 3.4系統測試 3.4.1訓練準確率 3.4.2測試效果 3.4.3模型應用 項目4基于Keras的狗狗分類與人臉相似檢測器 4.1總體設計 4.1.1系統整體結構 4.1.2系統流程 4.2運行環境 4.2.1Python環境 4.2.2TensorFlow環境 4.2.3Keras環境 4.2.4安裝庫 4.3模塊實現 4.3.1數據預處理 4.3.2模型編譯主體 4.3.3圖像檢測 4.3.4文本數據翻譯與爬蟲 4.3.5模型訓練評估與生成 4.3.6前端界面 4.4系統測試 4.4.1前端界面展示 4.4.2程序功能介紹 4.4.3識別狗狗效果展示 4.4.4識別人臉效果展示 項目5貓貓相機 5.1總體設計 5.1.1系統整體結構 5.1.2系統流程 5.2運行環境 5.2.1Python環境 5.2.2mxnet環境 5.2.3OpenCV環境 5.3模塊實現 5.3.1數據預處理 5.3.2創建模型并編譯 5.3.3模型訓練及保存 5.3.4模型測試 5.4系統測試 5.4.1訓練準確率 5.4.2測試效果 5.4.3模型應用 項目6基于MaskRCNN的動物識別分割及渲染 6.1總體設計 6.1.1系統整體結構 6.1.2系統流程 6.2運行環境 6.2.1Python環境 6.2.2TensorFlowGPU環境 6.2.3Keras環境 6.2.4pycocotools2.0環境 6.2.5其他依賴庫 6.3模塊實現 6.3.1數據預處理 6.3.2數據集處理 6.3.3模型訓練及保存 6.3.4渲染效果實現 6.3.5GUI設計 6.4系統測試 6.4.1模型評估 6.4.2測試效果 6.4.3模型應用 項目7新冠肺炎輔助診斷系統 7.1總體設計 7.1.1系統整體結構 7.1.2系統流程 7.2運行環境 7.2.1Python環境 7.2.2PaddlePaddle環境 7.2.3在線運行 7.3模塊實現 7.3.1定義待測數據 7.3.2加載預訓練模型 7.3.3數據預處理 7.3.4可視化操作 7.4系統測試 7.4.1DICOM圖像 7.4.2預處理后的圖像 7.4.3肺部分割 7.4.4病灶分割 7.4.5分割結果 7.4.6統計輸出結果 項目8StrokeControllable快速風格遷移在網頁端應用 8.1總體設計 8.1.1系統整體結構 8.1.2系統流程 8.2運行環境 8.2.1Python環境 8.2.2TensorFlow環境 8.2.3Linux環境 8.2.4網頁配置環境 8.3模塊實現 8.3.1數據預處理 8.3.2模型構建 8.3.3模型訓練及保存 8.3.4模型測試 8.4系統測試 8.4.1訓練準確率 8.4.2測試效果 8.4.3模型應用 項目9SRGAN網絡在網站默認頭像生成中的應用 9.1總體設計 9.1.1系統整體結構 9.1.2系統流程 9.2運行環境 9.2.1TensorFlow環境 9.2.2網頁服務器開發環境 9.3模塊實現 9.3.1數據預處理 9.3.2模型構建 9.3.3模型訓練及保存 9.3.4網站搭建 9.4系統測試 項目10亂序成語驗證碼識別 10.1總體設計 10.1.1系統整體結構 10.1.2系統流程 10.2運行環境 10.2.1Python環境 10.2.2TensorFlow環境 10.2.3安裝所需的包 10.3模塊實現 10.3.1數據預處理 10.3.2模型一的構建和訓練 10.3.3模型二的構建和訓練 10.3.4亂序成語驗證碼識別 10.3.5可視化界面的實現 10.4系統測試 10.4.1訓練準確率 10.4.2測試效果 10.4.3可視化界面應用 項目11基于CNN的SNEAKERS識別 11.1總體設計 11.1.1系統整體結構 11.1.2系統流程 11.2運行環境 11.2.1Python環境與Flask框架 11.2.2環境配置與工具包 11.2.3微信小程序環境 11.3模塊實現 11.3.1數據制作 11.3.2數據構建 11.3.3模型訓練及保存 11.3.4模型測試 11.3.5前端與后臺搭建 11.4系統測試 11.4.1訓練準確率 11.4.2測試效果 11.4.3模型應用 項目12基于SRGAN的單圖像超分辨率 12.1總體設計 12.1.1系統整體結構 12.1.2系統流程 12.2運行環境 12.2.1Python環境 12.2.2PyTorch環境 12.2.3網頁端Flask框架 12.2.4PyQt環境配置 12.3模塊實現 12.3.1數據預處理 12.3.2數據導入 12.3.3定義模型 12.3.4定義損失函數 12.3.5模型訓練及保存 12.3.6服務器端架構 12.3.7本地單機程序 12.4系統測試 項目13濾鏡復制 13.1總體設計 13.1.1系統整體結構 13.1.2系統流程 13.2運行環境 13.2.1Anaconda環境 13.2.2TensorFlow環境 13.2.3Keras環境 13.3模塊實現 13.3.1模式選擇 13.3.2任意風格模式 13.3.3固定風格模式 13.4系統測試 13.4.1任意風格模式測試結果 13.4.2固定風格模式測試結果 項目14基于PyTorch的快速風格遷移 14.1總體設計 14.1.1系統整體結構 14.1.2系統流程 14.2運行環境 14.2.1Python環境 14.2.2PyTorch環境 14.2.3PyQt5環境 14.3模塊實現 14.3.1數據預處理 14.3.2模型構建 14.3.3模型訓練及保存 14.3.4界面化及應用 14.4系統測試 14.4.1訓練準確率 14.4.2測試效果 14.4.3程序應用 項目15CASIAHWDB手寫漢字識別 15.1總體設計 15.1.1系統整體結構 15.1.2系統流程 15.2運行環境 15.2.1Python環境 15.2.2TensorFlow環境 15.2.3wxPython和OpenCV環境 15.2.4pyttsx3環境 15.3模塊實現 15.3.1數據預處理 15.3.2模型構建 15.3.3模型訓練及保存 15.3.4前端界面 15.4系統測試 15.4.1測試效果 15.4.2模型應用 項目16圖像智能修復 16.1總體設計 16.1.1系統整體結構 16.1.2系統流程 16.2運行環境 16.2.1Python環境 16.2.2TensorFlow環境 16.2.3OpenFace環境 16.3模塊實現 16.3.1數據預處理 16.3.2模型構建 16.3.3模型訓練 16.3.4程序實現 16.3.5GUI設計 16.3.6程序打包 16.4系統測試 16.4.1GAN網絡損失變化 16.4.2測試效果 項目17黑白圖像自動著色 17.1總體設計 17.1.1系統整體結構 17.1.2系統流程 17.2運行環境 17.3模塊實現 17.3.1數據預處理 17.3.2模型構建與訓練 17.3.3模型調用與結果優化 17.3.4結果展示 17.4系統測試 項目18深度神經網絡壓縮與加速技術在風格遷移中的應用 18.1總體設計 18.1.1系統整體結構 18.1.2系統流程 18.2運行環境 18.2.1Python環境 18.2.2GPU環境 18.3模塊實現 18.3.1數據預處理 18.3.2創建模型 18.3.3模型訓練及保存 18.3.4模型測試 18.4系統測試 18.4.1風格遷移效果 18.4.2網絡的加速與壓縮 項目19遷移學習的狗狗分類器 19.1總體設計 19.1.1系統整體結構 19.1.2系統流程 19.2運行環境 19.2.1Python環境 19.2.2TensorFlow環境 19.2.3Keras環境 19.2.4wxPython的安裝 19.3模塊實現 19.3.1數據預處理 19.3.2模型構建 19.3.3模型訓練 19.3.4API調用 19.3.5模型生成 19.4系統測試 19.4.1訓練準確率 19.4.2測試效果 19.4.3模型應用 項目20基于TensorFlow的人臉檢測及追蹤 20.1總體設計 20.1.1系統整體結構 20.1.2系統流程 20.2運行環境 20.2.1Python環境 20.2.2TensorFlow環境 20.2.3models環境 20.3模塊實現 20.3.1數據預處理 20.3.2模型構建 20.3.3模型訓練及保存 20.4系統測試 本書根據當前人工智能RNN深度學習的發展成果，具體設計基于RNN的模型算法，并給出了具體實現，**算法流程及Python代碼實現。其主要內容包括：基于深度學習的圖像處理的20個案例，基于Python的具體實現，本書圖文并茂，豐富實用，深入淺出，易學易用。本書根據當前人工智能RNN深度學習的發展成果，具體設計基于RNN的模型算法，并給出了具體實現，**算法流程及Python代碼實現。其主要內容包括：基于深度學習的圖像處理的20個案例，基于Python的具體實現，本書圖文并茂，豐富實用，深入淺出，易學易用。
Python作為人工智能和大數據領域的主要開發語言，具有靈活性強、擴展性好、應用面廣、可移植、可擴展、可嵌入等特點，近年來發展迅速，熱度不減，人才需求量逐年攀升，已經成為高等院校的專業課程。
為適應當前教學改革的要求，更好地踐行人工智能模型與算法的應用，本書以實踐教學與創新能力培養為目標，采取了創新方式，從不同難度、不同類型、不同算法，融合了同類教材的優點，將實際智能應用案例進行總結，希望起到拋磚引玉的作用。 本書的主要內容和素材來自開源網站的人工智能經典模型算法、信息工程專業創新課程內容及作者所在學校近幾年承擔的科研項目成果、作者指導學生完成的創新項目。通過這些創新項目學生不僅學到了知識，提高了能力，而且為本書提供了第一手素材和相關資料。 本書內容由總述到分述、先理論后實踐，采用系統整體架構、系統流程與代碼實現相結合的方式，對于從事人工智能開發、機器學習和算法實現的專業技術人員可作為技術參考書，提高其工程創新能力；也可作為信息通信工程及相關專業本科生的參考書，為機器學習模型分析、算法設計和實現提供幫助。 本書的編寫得到了教育部電子信息類專業教學指導委員會、信息工程專業國家第一類特色專業建設項目、信息工程專業國家第二類特色專業建設項目、教育部CDIO工程教育模式研究與實踐項目、教育部本科教學工程項目、信息工程專業北京市特色專業建設、北京市教育教學改革項目、北京郵電大學教育教學改革項目（2020JC03）的大力支持，在此表示感謝！ 由于作者水平有限，書中疏漏之處在所難免，衷心地希望各位讀者多提寶貴意見，以便作者進一步修改和完善。 編者2021年7月 | |
