圖像處理與深度學習

郭明強

  • 出版商: 電子工業
  • 出版日期: 2022-06-01
  • 定價: $588
  • 售價: 8.5$500
  • 語言: 簡體中文
  • 頁數: 228
  • ISBN: 7121434148
  • ISBN-13: 9787121434143
  • 相關分類: DeepLearning
  • 立即出貨 (庫存 < 4)

買這商品的人也買了...

相關主題

商品描述

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;然後對基於捲積神經網絡的圖像超分辨率重建方法進行講解;最後以基於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。

目錄大綱

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