智能圖像處理

李洪安

智能圖像處理
  • 出版商: 西安電子科技大學出版
  • 出版日期: 2025-02-01
  • 售價: $354
  • 語言: 簡體中文
  • 頁數: 319
  • ISBN: 7560675123
  • ISBN-13: 9787560675121

    • 下單後立即進貨 (約4週~6週)

相關主題

商品描述

本書系統介紹了智能圖像處理的理論、方法及創新方案，分為智能圖像處理技術基礎和智能圖像處理技術應用兩部分。基礎部分涵蓋了深度學習、人工智能、圖像處理及網絡模型等內容，以幫助讀者理解並掌握智能圖像處理的基本原理與技術；應用部分詳細介紹了圖像彩色化、圖像風格遷移、圖像分割、圖像修覆和圖像超分辨率重建5個熱門研究方向，並附有完整程序代碼供讀者參考。 本書適合人工智能、模式識別、計算機視覺和數字圖像處理等領域的研究人員以及相關專業的本科生或研究生參考使用。

目錄大綱

第一部分 智能圖像處理技術基礎
第1章 緒論
1.1 人工智能
1.1.1 機器學習
1.1.2 人工智能
1.1.3 深度學習
1.2 智能圖像處理
1.2.1 計算機視覺
1.2.2 智能圖像處理與相關學科
1.2.3 智能圖像處理主要研究方向
1.2.4 智能圖像處理面臨的問題
1.3 本書關於智能圖像處理技術的研究內容
本章小結
參考文獻及擴展閱讀
第2章 圖像處理基礎
2.1 數字圖像概述
2.1.1 數字圖像
2.1.2 顏色空間
2.2 圖像處理技術概述
2.2.1 圖像增強
2.2.2 圖像彩色化
2.2.3 圖像分割
2.2.4 圖像修覆
2.2.5 頻域處理
2.3 常見評價標準
2.3.1 圖像質量主觀評價
2.3.2 圖像質量客觀評價
本章小結
參考文獻及擴展閱讀
第3章 網絡模型基礎
3.1 卷積神經網絡
3.1.1 卷積神經網絡概述
3.1.2 CNN發展史
3.1.3 經典網絡模型
3.2 變分自編碼器
3.2.1 變分自編碼器概述
3.2.2 變分自編碼器推導
3.2.3 變分自編碼器的應用
3.3 GAN
3.3.1 GAN概述
3.3.2 CNN、VAE、GAN模型對比
3.3.3 有監督學習與無監督學習
3.4 激活函數
3.4.1 激活函數概述
3.4.2 激活函數對比
3.5 GAN模型的穩定性方法
3.5.1 約束Lipschitz常數
3.5.2 損失函數
3.6 深度學習框架基礎
3.6.1 Numpy
3.6.2 PyTorch
3.6.3 Jittor
3.6.4 簡易實例的實踐與對照
本章小結
參考文獻及擴展閱讀
第4章 網絡模型學習方式
4.1 模型訓練影響因素
4.1.1 優化器
4.1.2 其他因素
4.2 註意力機制
4.2.1 自註意力機制
4.2.2 通道註意力
4.2.3 空間註意力
4.3 學習方法
4.3.1 強化學習
4.3.2 馬爾可夫決策
4.3.3 元學習
4.3.4 遷移學習
4.3.5 終身機器學習
本章小結
參考文獻及擴展閱讀
第二部分 智能圖像處理技術應用
第5章 圖像彩色化
5.1 基於生成對抗網絡的圖像彩色化
5.1.1 圖像彩色化概述
5.1.2 基於生成對抗網絡的圖像彩色化模型
5.2 基於U-Net網絡和改進損失函數的圖像彩色化方法
5.2.1 結合Pix2Pix生成對抗網絡的灰度圖像著色方法
5.2.2 基於Gabor濾波器的Pix2Pix圖像色彩渲染
5.2.3 基於鉸鏈-交叉熵GAN的圖像色彩渲染
5.3 多尺度感知的灰度圖像彩色化方法
5.3.1 多尺度網絡
5.3.2 圖像感知
5.3.3 實驗與分析
5.4 頻域通道註意力GAN的圖像色彩渲染
5.4.1 GAP是二維DCT的特例
5.4.2 頻域通道註意力GAN
5.4.3 實驗與分析
本章小結
參考文獻及擴展閱讀
第6章 圖像風格遷移
6.1 基於深度學習的圖像風格遷移
6.1.1 圖像風格遷移概述
6.1.2 基於神經網絡的圖像風格遷移模型
6.2 基於多級自適應的圖像風格遷移算法研究
6.2.1 多級自適應網絡
6.2.2 損失函數
6.2.3 實驗與分析
6.3 基於CNN-Transformer的風格融合模型研究
6.3.1 CNN-Transformer網絡
6.3.2 雙分支位置風格註意模塊
6.3.3 實驗與分析
6.4 基於神經網絡的大數據系統圖像風格轉換映射
6.4.1 圖像風格遷移
6.4.2 改進風格轉化算法
6.4.3 實驗與分析
本章小結
參考文獻及擴展閱讀
第7章 圖像分割
7.1 圖像分割算法
7.1.1 圖像分割概述
7.1.2 基於數據挖掘方法的圖像分割
7.1.3 基於深度學習方法的圖像分割
7.2 基於Gabor濾波的人臉圖像分割
7.2.1 人臉圖像分割概述
7.2.2 人臉圖像分割流程
7.2.3 實驗與分析
7.3 基於循環殘差註意力網絡的醫學圖像分割
7.3.1 醫學圖像分割流程
7.3.2 實驗與分析
7.4 哈達瑪積和雙尺度註意力門的醫學圖像分割網絡
7.4.1 DAU-Net網絡
7.4.2 實驗與分析
本章小結
參考文獻及擴展閱讀
第8章 圖像修覆
8.1 基於生成對抗網絡的圖像修覆
8.1.1 圖像修覆概述
8.1.2 基於生成對抗網絡的圖像修覆模型
8.2 基於註意力機制的圖像修覆算法研究
8.2.1 註意力機制概述
8.2.2 基於註意力機制的圖像修覆
8.2.3 實驗與分析
8.3 基於門控卷積的金字塔圖像修覆方法
8.3.1 門控卷積
8.3.2 GAPNet
8.3.3 實驗與分析
8.4 基於深度圖像先驗的圖像水印去除技術
8.4.1 深度圖像先驗方法
8.4.2 實驗與分析
本章小結
參考文獻及擴展閱讀
第9章 圖像超分辨率重建
9.1 基於深度學習的圖像超分辨率重建
9.1.1 圖像超分辨率概述
9.1.2 基於深度學習的圖像超分辨率重建模型
9.2 基於自註意力亞像素卷積的圖像超分辨率重建
9.2.1 亞像素卷積
9.2

類似商品