-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

圖像處理與深度學習

( 簡體 字)
作者:郭明強類別:1. -> 教材 -> 數位影像處理
   2. -> 程式設計 -> 深度學習
譯者:
出版社:電子工業出版社圖像處理與深度學習 3dWoo書號: 55809
詢問書籍請說出此書號!

有庫存
NT售價: 490

出版日:6/1/2022
頁數:228
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121434143
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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)
作者序:

譯者序:

前言:

圖像處理技術在安防、交通、醫學、自然資源、農業、環保、智能駕駛、工業、電子商務等領域都有著廣泛的應用,尤其在目前各種深度學習技術的推動下,基于圖像的應用不斷深入,應用領域越來越廣。在基于圖像訓練深度學習模型時,需要獲取高質量的樣本圖像,圖像的質量會直接影響模型的精度。因此,掌握樣本圖像的關鍵處理技術是構建高精度深度學習模型的前提和關鍵。本書首先簡要介紹圖像處理技術,以及深度學習在圖像領域中的應用;接著對深度學習在圖像處理中的應用技術進行詳細介紹,包括圖像陰影檢測、圖像陰影去除、圖像噪聲處理、圖像勻光和勻色等內容;然后對基于卷積神經網絡的圖像超分辨率重建方法進行講解;最后以基于深度學習的紅樹林提取和屋頂提取與綠化評價為例,詳細講解深度學習在圖像處理中的應用。本書旨在幫助讀者掌握圖像處理與深度學習中的關鍵技術和方法流程,為基于深度學習的各種圖像應用奠定基礎,提升讀者對深度學習模型的應用能力。
本書作者長期從事遙感圖像超分辨率重建、機器學習、網絡地理信息系統、三維建模、高性能空間計算等計算機和3S交叉學科方向的理論方法研究、教學與應用開發工作,已有十多年的科研經驗和應用開發基礎,為本書的編寫打下了扎實的知識基礎。本書涵蓋了圖像處理與深度學習中的常見算法和模型,按照深度學習樣本圖像處理的需求逐步進行講解,內容安排循序漸進,可以使讀者更容易掌握相關的知識點。同時,本書還對基于深度學習的圖像目標檢測與提取應用案例進行精講,以便讀者能夠更加深入地學習圖像領域中的深度學習技術。
本書面向計算機視覺、模式識別、圖像處理與深度學習等相關領域工作者,內容由淺入深、循序漸進,既有詳盡的算法原理闡述,又有豐富的結果圖形展示,可以使讀者更加容易、快速、全面地掌握常用的圖像處理算法。對于初學者來說,本書沒有任何門檻,初學者只需要按部就班地跟著本書學習即可。無論讀者是否有圖像處理的經驗,都可以借助本書來系統地了解和掌握深度學習中的樣本圖像處理技術知識點,為基于深度學習的圖像處理與行業應用奠定良好的基礎。
參與本書編寫工作的還有黃穎、韓成德、余仲陽、吳送良、楊亞侖、張之政、張雅婷。在本書的編寫和出版過程中,電子工業出版社的田宏峰編輯提出了寶貴的建議,在此表示感謝。本書的出版得到了國家自然科學基金(41971356、41701446)的支持,在此表示誠摯的謝意。由于時間倉促,部分文獻可能存在引用缺失的情況,在此向本書所涉及參考資料的作者表示衷心的感謝。感謝蓋濤提供的封面設計方案。
由于作者水平有限,書中難免存在不足之處,敬請廣大讀者和專家批評指正。
郭明強
2022年4月于武漢
內容簡介:

本書內容由淺入深、循序漸進,涵蓋了深度學習在圖像處理中的應用技術。本書共8章,首先簡要介紹圖像處理技術,以及深度學習在圖像領域中的應用;接著對深度學習在圖像處理中的應用技術進行詳細介紹,包括圖像陰影檢測、圖像陰影去除、圖像噪聲處理、圖像勻光和勻色等內容;然后對基于卷積神經網絡的圖像超分辨率重建方法進行講解;最后以基于深度學習的紅樹林提取和屋頂提取與綠化評價為例,詳細講解深度學習在圖像處理中的應用。
目錄:

第1章 緒論 1
1.1 圖像陰影檢測與去除 1
1.2 圖像噪聲處理 2
1.3 圖像勻光、勻色 5
1.4 圖像超分辨率重建 6
1.5 深度學習在圖像領域中的應用 9
1.6 本章小結 11
本章參考文獻 11
第2章 圖像陰影檢測 13
2.1 陰影檢測的意義 13
2.2 陰影檢測方法分類 14
2.2.1 基于監督學習的陰影檢測方法 14
2.2.2 基于非監督學習的陰影檢測方法 15
2.3 基于動態粒子群算法的陰影檢測 17
2.3.1 遙感圖像陰影檢測方法的整體流程 17
2.3.2 遙感圖像陰影檢測通道設計 18
2.3.3 動態局部自適應粒子群算法 20
2.3.4 局部區域優化 22
2.4 陰影檢測實驗 23
2.5 本章小結 24
本章參考文獻 25
第3章 圖像陰影去除 29
3.1 基于梯度域的圖像陰影去除方法 29
3.1.1 代表性方法研究 29
3.1.2 二維泊松方程 30
3.1.3 基于梯度域的圖像陰影去除算法框架 31
3.2 基于光照轉移的圖像陰影去除方法 32
3.2.1 代表性方法研究 32
3.2.2 光照補償原理 33
3.2.3 基于光照轉移的圖像陰影去除算法框架 34
3.3 基于深度學習的圖像陰影去除方法 35
3.3.1 代表性方法研究 35
3.3.2 GAN模型 37
3.3.3 基于生成對抗網絡的圖像陰影去除模型——ST-CGAN 38
3.4 本章小結 39
本章參考文獻 39
第4章 圖像噪聲處理 41
4.1 背景與現狀分析 41
4.1.1 圖像噪聲處理的背景及意義 41
4.1.2 國內外圖像噪聲處理方法現狀分析 42
4.2 SAR系統成像與相干斑噪聲 46
4.2.1 SAR系統的成像原理 46
4.2.2 相干斑噪聲的形成機理 49
4.2.3 相干斑噪聲的統計模型 50
4.2.4 相干斑噪聲抑制結果的評價指標 51
4.3 非凸非光滑變分模型及求解方法 51
4.3.1 基本算子和函數空間的定義 52
4.3.2 非凸非光滑變分模型 52
4.3.3 變量分割法 53
4.3.4 增廣拉格朗日法 54
4.4 抑制相干斑噪聲的非凸非光滑變分模型 54
4.4.1 經典的相干斑噪聲抑制變分模型 54
4.4.2 無截斷的非凸非光滑變分模型及數值算法 56
4.4.3 截斷的非凸非光滑變分模型及數值算法 62
4.5 實驗結果與分析 65
4.5.1 合成數據集和真實SAR圖像數據集的構建 65
4.5.2 模型參數分析 66
4.5.3 合成數據的相干斑噪聲抑制結果分析 68
4.5.4 真實SAR圖像的相干斑噪聲抑制結果分析 75
4.6 本章小結 77
本章參考文獻 78
第5章 圖像勻光、勻色 83
5.1 圖像勻光、勻色的意義與現狀分析 83
5.2 圖像勻光、勻色方法 85
5.2.1 圖像勻光方法 85
5.2.2 圖像勻色方法 88
5.2.3 圖像質量評價標準 91
5.3 圖像勻光、勻色實驗分析 93
5.3.1 實驗數據 93
5.3.2 勻光處理結果 96
5.3.3 勻色處理結果 100
5.4 本章小結 107
本章參考文獻 107
第6章 基于卷積神經網絡的圖像超分辨率重建 109
6.1 圖像超分辨率重建的意義與現狀分析 109
6.1.1 圖像超分辨率重建的背景與意義 109
6.1.2 圖像超分辨率重建方法現狀分析 110
6.2 超分辨率重建技術與數據集 113
6.2.1 人工神經網絡 113
6.2.2 卷積神經網絡基本結構 114
6.2.3 圖像超分辨率重建質量評價指標 118
6.2.4 超分辨率重建經典模型 119
6.2.5 實驗數據 123
6.3 基于RDN的超分辨率重建網絡模型 125
6.3.1 RDN模型的網絡架構 126
6.3.2 遙感圖像超分辨率重建過程 127
6.4 實驗結果對比分析 128
6.4.1 RDN模型的訓練 129
6.4.2 基于NWPU-RESISC45數據集的測試結果 131
6.4.3 基于RSSCN7數據集的測試結果 136
6.5 本章小結 141
本章參考文獻 142
第7章 基于深度學習的紅樹林提取 147
7.1 紅樹林提取的背景意義與現狀分析 147
7.1.1 紅樹林提取的背景意義 147
7.1.2 紅樹林提取方法現狀分析 148
7.1.3 紅樹林提取技術路線 151
7.2 紅樹林語義分割數據集 153
7.2.1 研究區域 153
7.2.2 遙感數據和預處理 153
7.2.3 制作紅樹林語義分割數據集 154
7.3 基于深度學習的紅樹林提取模型 155
7.3.1 基于深度學習的紅樹林語義分割框架 155
7.3.2 深度卷積神經網絡的結構 156
7.4 紅樹林提取實踐 162
7.4.1 實驗設置 162
7.4.2 實驗結果 167
7.5 紅樹林提取模型分析 169
7.5.1 樣本數據對紅樹林提取結果的影響 169
7.5.2 網絡結構和訓練技巧對模型預測結果的影響 172
7.5.3 不同的語義分割方法對紅樹林提取的影響 174
7.6 本章小結 176
本章參考文獻 176
第8章 基于深度學習的屋頂提取與綠化評價 183
8.1 屋頂綠化的背景意義與現狀分析 183
8.1.1 屋頂綠化的背景和意義 183
8.1.2 屋頂綠化現狀分析 184
8.2 國內外城市屋頂綠化評價方法 188
8.2.1 德國不倫瑞克市 188
8.2.2 葡萄牙里斯本市 189
8.2.3 中國漯河市 190
8.2.4 中國深圳 190
8.3 屋頂綠化試驗數據 192
8.3.1 試驗區介紹 192
8.3.2 試驗數據介紹 193
8.4 屋頂綠化評價方法 194
8.4.1 基于深度學習的可綠化屋頂目標檢測 195
8.4.2 氣象數據指標計算 197
8.4.3 公園綠地距離指標計算 198
8.4.4 交通擁堵程度指標計算 198
8.4.5 屋頂綠化評價 199
8.5 廈門島屋頂綠化評價結果與討論 200
8.5.1 屋頂綠化評價結果分析 200
8.5.2 可綠化屋頂目標檢測方法的優勢 209
8.5.3 屋頂綠化評價權重選取 210
8.5.4 屋頂綠化評價指標選取 212
8.6 本章小結 215
本章參考文獻 215
序: