數字圖像處理與深度學習技術應用

楊淑瑩

  • 出版商: 電子工業
  • 出版日期: 2024-08-01
  • 售價: $414
  • 貴賓價: 9.5$393
  • 語言: 簡體中文
  • 頁數: 312
  • ISBN: 7121483017
  • ISBN-13: 9787121483011
  • 相關分類: DeepLearning
  • 立即出貨

買這商品的人也買了...

相關主題

商品描述

本書介紹了數字圖像處理技術和深度學習技術,以及這些技術的應用,全書由12章組成。前九章主要介紹數字圖像處理技術,內容包括:Python 環境搭建、位圖基礎、圖像的顯示、圖像的幾何變換、圖像灰度變換、圖像的平滑處理、圖像銳化處理、圖像分割及測量、圖像的形態學處理,後三章主要介紹深度學習技術,將數字圖像處理技術和深度學習技術相結合應用於項目開發,內容包括基於捲積神經網絡CNN 模型的漢字識別、基於Faster RCNN 模型的手勢識別、基於捲積神經網絡CNN 模型的語音識別共三個項目的開發技術。本書僅僅介紹基本的理論知識,同時介紹將理論轉化為代碼的實現步驟和基於Python 開發工具的編程代碼,並且可以將處理前與處理後的圖像進行對照比較。實例程序的框架結構簡單,代碼簡潔,使初學Python 者很快就掌握圖像處理與圖像識別技術。

目錄大綱

第1章 圖像處理編程基礎 (1)
1.1 Python開發基礎 (1)
1.1.1 Python的安裝 (1)
1.1.2 PyCharm的安裝 (6)
1.1.3 OpenCV及常用庫的配置 (9)
1.2 數字圖像處理與深度學習技術簡介 (13)
1.3 系統界面開發基礎 (15)
1.4 圖像顯示 (17)
1.4.1 待處理圖像的顯示 (17)
1.4.2 處理後圖像的顯示 (20)
習題 (20)
第2章 彩色圖像特效處理 (21)
2.1 圖像的顏色表示 (21)
2.1.1 像素的顏色 (21)
2.1.2 圖像的存儲結構 (21)
2.1.3 圖像的精度 (25)
2.2 彩色圖像的灰度化處理 (26)
2.3 彩色圖像的著色處理 (28)
2.4 彩色圖像的亮度調整 (29)
2.5 彩色圖像的對比度調整 (31)
2.6 彩色圖像的曝光處理 (33)
2.7 彩色圖像的馬賽克處理 (34)
2.8 彩色圖像的梯度銳化處理 (35)
2.9 彩色圖像的浮雕處理 (37)
2.10 彩色圖像的霓虹處理 (38)
小結 (39)
習題 (40)
第3章 圖像的合成處理 (41)
3.1 圖像的代數運算 (41)
3.1.1 圖像加運算 (41)
3.1.2 圖像減運算 (43)
3.2 圖像邏輯運算 (45)
3.2.1 位與運算 (46)
3.2.2 位或運算 (47)
3.2.3 位非運算 (48)
3.2.4 位異或運算 (49)
小結 (50)
習題 (51)
第4章 圖像的幾何變換 (52)
4.1 概述 (52)
4.2 圖像平移 (54)
4.3 圖像鏡像 (56)
4.4 圖像縮放 (58)
4.5 圖像轉置 (60)
4.6 投影變換 (61)
4.7 圖像旋轉 (63)
小結 (66)
習題 (66)
第5章 圖像的灰度變換 (67)
5.1 概述 (67)
5.2 二值化和閾值處理 (68)
5.3 灰度線性變換與分段線性變換 (69)
5.3.1 灰度線性變換 (69)
5.3.2 分段線性變換 (71)
5.4 灰度非線性變換 (73)
5.4.1 灰度對數變換 (73)
5.4.2 灰度指數變換 (75)
5.4.3 灰度冪次變換 (76)
5.5 灰度直方圖 (78)
5.5.1 灰度直方圖概念 (78)
5.5.2 直方圖正規化 (80)
5.5.3 直方圖均衡化 (82)
5.5.4 自適應直方圖均衡化 (85)
小結 (88)
習題 (88)
第6章 圖像平滑處理 (89)
6.1 概述 (89)
6.2 噪聲消除法 (90)
6.2.1 二值圖像的黑白點噪聲濾波 (90)
6.2.2 消除孤立黑像素點 (91)
6.3 鄰域平均法 (93)
6.3.1 3×3均值濾波 (94)
6.3.2 N×N均值濾波 (95)
6.3.3 超限鄰域平均法 (96)
6.3.4 方框濾波 (98)
6.4 高斯濾波 (100)
6.5 中值濾波 (101)
6.5.1 N×N中值濾波 (102)
6.5.2 十字形中值濾波 (103)
6.5.3 N×N最大值濾波 (105)
6.6 雙邊濾波 (106)
6.7 2D捲積核的實現 (109)
6.8 產生噪聲處理 (111)
6.8.1 隨機噪聲 (111)
6.8.2 椒鹽噪聲 (112)
小結 (113)
習題 (114)
第7章 圖像邊緣銳化處理 (115)
7.1 概述 (115)
7.2 圖像微分邊緣檢測 (116)
7.2.1 縱向邊緣檢測 (116)
7.2.2 橫向邊緣檢測 (117)
7.2.3 雙向邊緣檢測 (118)
7.3 常用的邊緣檢測算子及方法 (120)
7.3.1 Roberts邊緣檢測算子 (120)
7.3.2 Sobel邊緣檢測算子 (122)
7.3.3 Prewitt邊緣檢測算子 (124)
7.3.4 Scharr邊緣檢測算子 (125)
7.3.5 Krisch自適應邊緣檢測 (126)
7.3.6 拉普拉斯算子 (129)
7.3.7 高斯-拉普拉斯算子 (131)
7.3.8 Canny邊緣檢測 (134)
7.4 梯度銳化 (136)
7.4.1 提升邊緣 (137)
7.4.2 根據梯度二值化圖像 (139)
小結 (141)
習題 (141)
第8章 圖像形態學處理 (143)
8.1 概述 (143)
8.2 圖像腐蝕 (143)
8.2.1 水平腐蝕 (144)
8.2.2 垂直腐蝕 (146)
8.2.3 全方向腐蝕 (147)
8.3 圖像膨脹 (148)
8.3.1 水平膨脹 (149)
8.3.2 垂直膨脹 (150)
8.3.3 全方向膨脹 (151)
8.4 圖像開運算與閉運算 (152)
8.4.1 圖像開運算 (152)
8.4.2 圖像閉運算 (154)
8.5 形態學梯度運算 (156)
8.6 黑帽與禮帽運算 (157)
8.7 圖像細化 (159)
小結 (163)
習題 (163)
第9章 圖像分割與測量 (165)
9.1 概述 (165)
9.2 閾值法分割 (166)
9.2.1 直方圖門限選擇法 (166)
9.2.2 半閾值選擇法 (169)
9.2.3 迭代閾值法 (171)
9.2.4 Otsu閾值法 (173)
9.2.5 自適應閾值法 (175)
9.2.6 分水嶺算法 (177)
9.3 投影法分割 (184)
9.3.1 水平投影分割 (184)
9.3.2 垂直投影分割 (185)
9.4 輪廓檢測 (187)
9.4.1 輪廓提取 (187)
9.4.2 邊界跟蹤法 (188)
9.4.3 區域增長法 (191)
9.4.4 輪廓檢測與擬合 (195)
9.5 目標物體測量 (198)
9.5.1 區域標記 (198)
9.5.2 面積測量 (200)
9.5.3 周長測量 (201)
9.6 最小外包形狀檢測 (203)
9.6.1 最小外包矩形 (203)
9.6.2 最小外包圓形 (204)
9.6.3 最小外包三角形 (205)
9.6.4 最小外包橢圓 (206)
9.7 霍夫檢測 (207)
9.7.1 霍夫直線檢測 (207)
9.7.2 霍夫圓檢測 (211)
小結 (214)
習題 (214)
第10章 圖像頻域變換處理 (215)
10.1 圖像頻域變換 (215)
10.1.1 圖像傅里葉變換 (215)
10.1.2 圖像快速傅里葉變換 (218)
10.1.3 圖像離散餘弦變換 (222)
10.1.4 圖像頻域變換原理 (225)
10.2 頻域低通濾波 (226)
10.2.1 理想低通濾波 (226)
10.2.2 梯形低通濾波 (229)
10.2.3 巴特沃思低通濾波 (231)
10.2.4 指數低通濾波 (233)
10.3 頻域高通濾波 (235)
10.3.1 理想高通濾波 (235)
10.3.2 梯形高通濾波 (237)
10.3.3 巴特沃思高通濾波 (239)
10.3.4 指數高通濾波 (241)
小結 (243)
習題 (243)
第11章 基於深度學習CNN模型的漢字識別 (244)
11.1 深度學習技術概述 (244)
11.2 CNN基本概念 (245)
11.3 漢字識別系統設計 (249)
11.4 漢字圖像預處理 (251)
11.5 投影與分割 (253)
11.6 構建漢字識別模型 (256)
11.6.1 構建CNN模型 (256)
11.6.2 識別模型訓練 (258)
11.7 漢字識別模型檢驗 (260)
第12章 基於深度學習CNN模型的語音識別 (265)
12.1 語音識別系統設計 (265)
12.2 語音信號預處理及特徵提取 (266)
12.2.1 語音信號預處理 (266)
12.2.2 MFCC特徵提取 (268)
12.3 構建語音識別模型 (270)
12.3.1 構建CNN模型 (270)
12.3.2 識別模型訓練 (273)
12.4 語音識別模型檢驗 (274)

第13章 基於深度學習Faster R-CNN模型的手勢識別 (279)
13.1 R-CNN目標檢測與識別模型 (279)
13.2 邊框回歸(Bounding Box Regression)原理 (282)
13.3 Faster R-CNN目標檢測與識別模型 (284)
13.3.1 Faster R-CNN模型框架 (284)
13.3.2 基於區域提議網絡(RPN)的目標檢測 (285)
13.3.3 基於RoI池化和分類技術的目標識別 (288)
13.4 手勢識別系統設計 (289)
13.5 構建手勢識別模型 (291)
13.5.1 構建Faster R-CNN模型 (291)
13.5.2 Faster R-CNN識別模型訓練 (295)
13.6 手勢識別模型檢驗 (299)