現(xiàn)代數(shù)字圖像處理技術(shù)

目錄
前言
第1章 數(shù)字圖像處理基礎(chǔ) 1
1.1 數(shù)字圖像處理概述 1
1.1.1 圖像的概念 2
1.1.2 圖像的分類 3
1.1.3 圖像的語義 3
1.2 數(shù)字圖像處理基本運算 5
1.2.1 基本運算類型 5
1.2.2 點運算 5
1.2.3 代數(shù)運算 7
1.2.4 幾何運算 8
1.3 數(shù)字圖像處理基礎(chǔ)知識 12
1.3.1 圖像的色彩空間 12
1.3.2 圖像的二值形態(tài)學 14
1.3.3 圖像的直方圖 14
1.3.4 圖像金字塔 17
1.3.5 邊緣特征提取 20
1.3.6 其他特征提取 26
參考文獻 28
第2章 神經(jīng)網(wǎng)絡(luò) 30
2.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識 30
2.1.1 神經(jīng)元與感知機 30
2.1.2 反向傳播算法 33
2.1.3 輸入與輸出 35
2.1.4 激活函數(shù) 35
2.1.5 損失函數(shù) 37
2.2 神經(jīng)網(wǎng)絡(luò)的優(yōu)化及面臨的問題 38
2.2.1 參數(shù)初始化 38
2.2.2 正則化 41
2.2.3 常用優(yōu)化算法 41
2.2.4 神經(jīng)網(wǎng)絡(luò)面臨的問題 44
2.3 卷積神經(jīng)網(wǎng)絡(luò) 46
2.3.1 基礎(chǔ)知識 46
2.3.2 卷積神經(jīng)網(wǎng)絡(luò)組成 48
2.3.3 其他卷積方式 51
2.3.4 常用卷積神經(jīng)網(wǎng)絡(luò) 53
參考文獻 56
第3章 圖像復原 57
3.1 圖像去噪 57
3.1.1 簡介 57
3.1.2 常見噪聲模型 57
3.1.3 經(jīng)典傳統(tǒng)去噪方法 60
3.1.4 基于深度學習的去噪方法 64
3.1.5 真實圖像噪聲的去噪方法 71
3.1.6 小結(jié) 74
3.2 圖像去模糊 74
3.2.1 圖像去模糊理論基礎(chǔ) 74
3.2.2 基于優(yōu)化的傳統(tǒng)去模糊方法 78
3.2.3 基于深度學習的去模糊方法 87
3.2.4 小結(jié) 91
3.3 圖像去霧 91
3.3.1 圖像去霧的意義 91
3.3.2 傳統(tǒng)去霧方法 91
3.3.3 基于深度學習的方法 95
3.3.4 小結(jié) 97
參考文獻 97
第4章 圖像增強 100
4.1 圖像平滑 100
4.1.1 平滑的意義 100
4.1.2 傳統(tǒng)平滑方法 100
4.1.3 基于深度學習的方法 106
4.1.4 小結(jié) 110
4.2 圖像融合 110
4.2.1 圖像融合概述 110
4.2.2 基于變換域的圖像融合方法 113
4.2.3 基于空間域的圖像融合方法 114
4.2.4 基于深度學習的圖像融合方法 116
4.2.5 融合評價指標 119
4.2.6 圖像融合的主要應(yīng)用 120
4.2.7 小結(jié) 122
4.3 低光照圖像增強 123
4.3.1 低光照圖像增強概述 123
4.3.2 基于Retinex理論的低光照圖像增強算法 124
4.3.3 基于深度學習的低光照圖像增強算法 127
4.3.4 小結(jié) 134
參考文獻 134
第5章 目標檢測 136
5.1 基礎(chǔ)概念 136
5.1.1 背景知識 136
5.1.2 目標檢測相關(guān)概念 136
5.2 傳統(tǒng)目標檢測算法 137
5.2.1 傳統(tǒng)算法流程 137
5.2.2 傳統(tǒng)算法框架 138
5.3 基于深度學習的目標檢測算法 149
5.3.1 雙階段目標檢測算法 149
5.3.2 單階段目標檢測算法 159
5.4 本章小結(jié) 173
參考文獻 173
第6章 圖像分割 176
6.1 概述 176
6.1.1 圖像分割概述 176
6.1.2 圖像分割發(fā)展背景 176
6.2 圖像分割傳統(tǒng)算法 177
6.2.1 基于閾值分割的算法 177
6.2.2 基于區(qū)域提取的算法 180
6.2.3 基于邊緣檢測的算法 182
6.2.4 結(jié)合特定理論工具的算法 183
6.3 基于深度學習的圖像分割算法 185
6.3.1 全卷積網(wǎng)絡(luò) 185
6.3.2 帶圖模型的卷積模型 188
6.3.3 基于編碼器-解碼器的結(jié)構(gòu) 190
6.3.4 基于多尺度和金字塔網(wǎng)絡(luò)的模型 193
6.3.5 膨脹卷積模型與DeepLab系列 197
6.3.6 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的模型 202
6.3.7 基于注意力機制的方法 205
6.3.8 生成模型和對抗訓練 208
6.4 本章小結(jié) 211
參考文獻 211
第7章 多任務(wù)學習 213
7.1 圖像與圖像邊緣 213
7.1.1 邊緣引導的圖像補全 214
7.1.2 邊緣引導的圖像超分辨率 215
7.1.3 邊緣引導的語義分割 217
7.1.4 邊緣引導的圖像平滑 225
7.1.5 小結(jié) 227
7.2 圖像與圖像平滑 227
7.2.1 圖像平滑引導的圖像補全 227
7.2.2 小結(jié) 230
7.3 圖像與語義分割 230
7.3.1 語義分割引導的圖像補全 230
7.3.2 語義分割結(jié)合圖像超分辨率 231
7.3.3 語義分割引導的圖像重定向 234
7.3.4 場景分割引導的圖像融合 236
7.3.5 小結(jié) 239
7.4 圖像理解與圖像增強和復原 239
7.4.1 圖像增強結(jié)合目標檢測 240
7.4.2 圖像增強結(jié)合語義分割 242
7.4.3 圖像去噪與圖像理解 244
7.4.4 圖像分類驅(qū)動的圖像增強 245
7.4.5 小結(jié) 247
參考文獻 247
彩圖