基於Python的深度學習影像處理

易詩 鐘曉玲

基於Python的深度學習影像處理
  • 出版商: 機械工業
  • 出版日期: 2024-07-23
  • 定價: $270
  • 售價: 8.5 折 $229
  • 語言: 簡體中文
  • 頁數: 194
  • 裝訂: 平裝
  • ISBN: 7111757459
  • ISBN-13: 9787111757450
  • 相關分類: DeepLearning

    • 下單後立即進貨 (約4週~6週)

商品描述

本書是一本具有實踐導向的教材，主要針對資訊工程專業的學生和從事圖像處理的讀者。
本書以影像處理技術為主線，介紹了深度學習在影像處理中的理論與應用。
本書的核心內容涵蓋了深度學習的各個層面，包括設計卷積神經網路的基礎知識、低階和高階影像處理任務的實現等。
這些內容不僅包含理論介紹，還包括大量的實例程式碼，使用Python語言及當前流行的深度學習環境，
幫助讀者理解並實踐深度學習在影像處理的應用。
在低階影像處理任務部分，本書詳細介紹了影像去雜訊、去模糊、增強和超解析度重建等任務。
在高階影像處理任務部分，讀者將學習如何使用深度學習方法進行影像分類、目標偵測、語意分割和實例分割等。
本書旨在透過理論介紹與實踐案例結合的方式，幫助讀者更好地理解並掌握深度學習在圖像處理領域的應用，
是一本理論與實務並重、實用性強的教材。

目錄大綱

目錄
前言
第1章數位影像處理概論 1
1.1　數位影像處理的基本概念 1
1.2　數位影像處理系統的組成 3
1.3　數位影像處理的應用 4
1.4　數位影像處理任務的層次劃分 7
本章總結 8
習題 8
第2章Python語言程式設計基礎 9
2.1　Python語言簡介 9
2.2　Python語言的基本語法 11
2.2.1　Python語言的基本程式設計語法 12
2.2.2　Python語言的基本流程控制 14
2.2.3　Python語言的內建函式庫與函數 17
2.2.4　Python語言的物件導向 18
2.2.5　Python語言的異常處理 22
2.2.6　Python語言的IO處理 23
2.3　Python-OpenCV的應用 24
2.3.1　Python-OpenCV簡介 24
2.3.2　Python-OpenCV的基本影像處理操作 24
本章總結 31
習題 31
第3章深度學習影像處理技術基礎 32
3.1　深度學習的基本概念 32
3.2　卷積神經網路的基本構成及Python實作 36
3.2.1　卷積神經網路的基本構成 36
3.2.2　幾種典型的捲積神經網路 41
3.2.3　卷積神經網路的訓練與測試 50
3.3　深度學習影像處理平台建構 51
3.4　實例：基於深度學習的手寫數字辨識 53
本章總結 57
習題 57
第4章基於深度學習的影像去雜訊 58
4.1　影像去雜訊概述 58
4.2　基於深度學習的影像去噪網路的發展 59
4.3　實例：基於深度學習的影像去噪網路FFDNet 60
4.3.1　FFDNet簡介 60
4.3.2　FFDNet的結構與工作原理 61
4.3.3　FFDNet的訓練與測試 62
4.3.4　FFDNet影像去雜訊測試結果分析 67
本章總結 68
習題 68
第5章基於深度學習的圖像去模糊 69
5.1　影像去模糊概述 69
5.2　基於深度學習的圖像去模糊的發展 71
5.3　實例：基於深度學習的圖像去模糊網路DeblurGAN-v2 73
5.3.1　DeblurGAN-v2簡介 73
5.3.2　DeblurGAN-v2的結構與工作原理 73
5.3.3　DeblurGAN-v2的訓練與測試 75
5.3.4　DeblurGAN-v2影像去模糊測試結果分析 80
本章總結 81
習題 81
第6章基於深度學習的圖像增強 82
6.1　影像增強概述 82
6.1.1　頻率域法 82
6.1.2　空間域法 83
6.1.3　基於深度學習的影像增強法 83
6.2　基於深度學習的圖像增強的發展 84
6.3　實例：基於深度學習的影像增強網路RetinexNet 85
6.3.1　RetinexNet簡介　 85
6.3.2　RetinexNet的結構與工作原理 86
6.3.3　FFDNet的訓練與測試 90
6.3.4　RetinexNet影像增強測試結果分析 98
本章總結 99
習題 99
第7章　基於深度學習的影像超解析度重建 100
7.1　影像超解析度重建概述 100
7.2　基於深度學習的影像超解析度重建網路的發展 101
7.3　實例：基於深度學習的影像超解析度重建網路ESRGAN 103
7.3.1　ESRGAN簡介 103
7.3.2　ESRGAN的結構與工作原理 103
7.3.3　ESRGAN的訓練與測試 106
7.3.4　ESRGAN影像超解析度重建結果分析 117
本章總結 118
習題 119
第8章基於深度學習的圖像辨識 120
8.1　影像辨識概述 120
8.2　基於深度學習的圖像辨識的發展 122
8.3　實例：基於深度學習的圖像辨識網路CNN 125
8.3.1　CNN簡介　 125
8.3.2　CNN的結構與工作原理 125
8.3.3　CNN的訓練與測試 126
8.3.4　CNN影像辨識測試結果分析 141
本章總結 143
習題 143
第9章基於深度學習的目標偵測 144
9.1　目標偵測概述 144
9.2　基於深度學習的目標偵測網路的發展 146
9.2.1　兩階段檢測的發展 146
9.2.2　單階段檢測的發展 147
9.2.3　深度學習目標偵測資料集的發展 148
9.3　實例：基於深度學習的目標偵測網路YOLOv4 149
9.3.1　YOLOv4簡介 149
9.3.2　YOLOv4的結構與工作原理 149
9.3.3　YOLOv4的訓練與測試 154
9.3.4　YOLOv4目標檢測測試結果分析 158
本章總結 159
習題 159
第10章基於深度學習的影像分割 160
10.1　影像分割概述 160
10.1.1　語意分割概述 160
10.1.2　實例分割概述 161
10.2　基於深度學習的影像分割網絡
的發展 162
10.2.1　語意分割網路的發展 162
10.2.2　影像語意分割資料集 165
10.2.3　實例分割網路的發展 166
10.2.4　影像實例分割資料集 169
10.2.5　影像語意分割效能評估指標 169
10.3　實例：基於深度學習的影像分割網路DeepLabV3 、Mask R-CNN 170
10.3.1　DeepLabV3 簡介 170
10.3.2　DeepLabV3 的結構與工作原理 170
10.3.3　DeepLabV3 網路的訓練與測試 176
10.3.4　DeepLabV3 語意分割測試結果分析 178
10.3.5　Mask R-CNN簡介 180
10.3.6　Mask R-CNN的結構與工作原理 181
10.3.7　Mask R-CNN的訓練與測試 190
10.3.8　Mask R-CNN實例分割測試結果分析 191
本章總結 192
習題 193
參考文獻 194

類似商品