掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
基于Python的深度學(xué)習(xí)圖像處理 版權(quán)信息
- ISBN：9787111757450
- 條形碼：9787111757450 ; 978-7-111-75745-0
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
基于Python的深度學(xué)習(xí)圖像處理 本書特色
本書遵循教指委相關(guān)指導(dǎo)文件和高等院校學(xué)生學(xué)習(xí)規(guī)律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結(jié)合。
基于Python的深度學(xué)習(xí)圖像處理 內(nèi)容簡介
本書是一本具有實踐導(dǎo)向性的教材，主要面向信息工程專業(yè)的學(xué)生和從事圖像處理的讀者。本書以圖像處理技術(shù)為主線，介紹了深度學(xué)習(xí)在圖像處理中的理論和應(yīng)用。
本書的核心內(nèi)容涵蓋了深度學(xué)習(xí)的各個層面，包括設(shè)計卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識、低階和高階圖像處理任務(wù)的實現(xiàn)等。這些內(nèi)容不僅包含理論介紹，還包括大量的實例代碼，使用Python語言及當(dāng)前流行的深度學(xué)習(xí)環(huán)境，幫助讀者理解和實踐深度學(xué)習(xí)在圖像處理中的應(yīng)用。在低階圖像處理任務(wù)部分，本書詳細(xì)介紹了圖像去噪、去模糊、增強和超分辨率重建等任務(wù)。在高階圖像處理任務(wù)部分，讀者將學(xué)習(xí)到如何使用深度學(xué)習(xí)方法進行圖像分類、目標(biāo)檢測、語義分割和實例分割等。
本書旨在通過理論介紹與實踐案例相結(jié)合的方式，幫助讀者更好地理解并掌握深度學(xué)習(xí)在圖像處理領(lǐng)域的應(yīng)用，是一本理論與實踐并重、實用性強的教材。
基于Python的深度學(xué)習(xí)圖像處理 目錄
目錄
前言
第1章數(shù)字圖像處理概述 1
1.1 數(shù)字圖像處理的基本概念 1
1.2 數(shù)字圖像處理系統(tǒng)的組成 3
1.3 數(shù)字圖像處理的應(yīng)用 4
1.4 數(shù)字圖像處理任務(wù)的層次劃分 7
本章總結(jié) 8
習(xí)題 8
第2章Python語言編程基礎(chǔ) 9
2.1 Python語言簡介 9
2.2 Python語言的基本語法 11
2.2.1 Python語言的基本編程語法 12
2.2.2 Python語言的基本流程控制 14
2.2.3 Python語言的內(nèi)置庫和函數(shù) 17
2.2.4 Python語言的面向?qū)ο?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(yīng)用 24
2.3.1 Python-OpenCV簡介 24
2.3.2 Python-OpenCV的基本圖像
處理操作 24
本章總結(jié) 31
習(xí)題 31
第3章深度學(xué)習(xí)圖像處理技術(shù)基礎(chǔ) 32
3.1 深度學(xué)習(xí)的基本概念 32
3.2 卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成及
Python實現(xiàn) 36
3.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成 36
3.2.2 幾種典型的卷積神經(jīng)網(wǎng)絡(luò) 41
3.2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試 50
3.3 深度學(xué)習(xí)圖像處理平臺搭建 51
3.4 實例：基于深度學(xué)習(xí)的手寫數(shù)字
識別 53
本章總結(jié) 57
習(xí)題 57
第4章基于深度學(xué)習(xí)的圖像去噪 58
4.1 圖像去噪概述 58
4.2 基于深度學(xué)習(xí)的圖像去噪網(wǎng)絡(luò)
的發(fā)展 59
4.3 實例：基于深度學(xué)習(xí)的圖像去噪網(wǎng)絡(luò)FFDNet 60
4.3.1 FFDNet簡介 60
4.3.2 FFDNet的結(jié)構(gòu)與工作原理 61
4.3.3 FFDNet的訓(xùn)練與測試 62
4.3.4 FFDNet圖像去噪測試結(jié)果
分析 67
本章總結(jié) 68
習(xí)題 68
第5章基于深度學(xué)習(xí)的圖像去模糊 69
5.1 圖像去模糊概述 69
5.2 基于深度學(xué)習(xí)的圖像去模糊的發(fā)展 71
5.3 實例：基于深度學(xué)習(xí)的圖像去模糊
網(wǎng)絡(luò)DeblurGAN-v2 73
5.3.1 DeblurGAN-v2簡介 73
5.3.2 DeblurGAN-v2的結(jié)構(gòu)與工作
原理 73
5.3.3 DeblurGAN-v2的訓(xùn)練與測試 75
5.3.4 DeblurGAN-v2圖像去模糊測試結(jié)果分析 80
本章總結(jié) 81
習(xí)題 81
第6章基于深度學(xué)習(xí)的圖像增強 82
6.1 圖像增強概述 82
6.1.1 頻率域法 82
6.1.2 空間域法 83
6.1.3 基于深度學(xué)習(xí)的圖像增強法 83
6.2 基于深度學(xué)習(xí)的圖像增強的發(fā)展 84
6.3 實例：基于深度學(xué)習(xí)的圖像增強網(wǎng)絡(luò)RetinexNet 85
6.3.1 RetinexNet簡介 85
6.3.2 RetinexNet的結(jié)構(gòu)與工作原理 86
6.3.3 FFDNet的訓(xùn)練與測試 90
6.3.4 RetinexNet圖像增強測試結(jié)果
分析 98
本章總結(jié) 99
習(xí)題 99
第7章 基于深度學(xué)習(xí)的圖像
超分辨率重建 100
7.1 圖像超分辨率重建概述 100
7.2 基于深度學(xué)習(xí)的圖像超分辨率重建
網(wǎng)絡(luò)的發(fā)展 101
7.3 實例：基于深度學(xué)習(xí)的圖像超
分辨率重建網(wǎng)絡(luò)ESRGAN 103
7.3.1 ESRGAN簡介 103
7.3.2 ESRGAN的結(jié)構(gòu)與工作原理 103
7.3.3 ESRGAN的訓(xùn)練與測試 106
7.3.4 ESRGAN圖像超分辨率重建
結(jié)果分析 117
本章總結(jié) 118
習(xí)題 119
第8章基于深度學(xué)習(xí)的圖像識別 120
8.1 圖像識別概述 120
8.2 基于深度學(xué)習(xí)的圖像識別的發(fā)展 122
8.3 實例：基于深度學(xué)習(xí)的圖像識別
網(wǎng)絡(luò)CNN 125
8.3.1 CNN簡介 125
8.3.2 CNN的結(jié)構(gòu)與工作原理 125
8.3.3 CNN的訓(xùn)練與測試 126
8.3.4 CNN圖像識別測試結(jié)果分析 141
本章總結(jié) 143
習(xí)題 143
第9章基于深度學(xué)習(xí)的目標(biāo)檢測 144
9.1 目標(biāo)檢測概述 144
9.2 基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)的
發(fā)展 146
9.2.1 兩階段檢測的發(fā)展 146
9.2.2 單階段檢測的發(fā)展 147
9.2.3 深度學(xué)習(xí)目標(biāo)檢測數(shù)據(jù)集的
發(fā)展 148
9.3 實例：基于深度學(xué)習(xí)的目標(biāo)檢測
網(wǎng)絡(luò)YOLOv4 149
9.3.1 YOLOv4簡介 149
9.3.2 YOLOv4的結(jié)構(gòu)與工作原理 149
9.3.3 YOLOv4的訓(xùn)練與測試 154
9.3.4 YOLOv4目標(biāo)檢測測試
結(jié)果分析 158
本章總結(jié) 159
習(xí)題 159
第10章基于深度學(xué)習(xí)的圖像分割 160
10.1 圖像分割概述 160
10.1.1 語義分割概述 160
10.1.2 實例分割概述 161
10.2 基于深度學(xué)習(xí)的圖像分割網(wǎng)絡(luò)
的發(fā)展 162
10.2.1 語義分割網(wǎng)絡(luò)的發(fā)展 162
10.2.2 圖像語義分割數(shù)據(jù)集 165
10.2.3 實例分割網(wǎng)絡(luò)的發(fā)展 166
10.2.4 圖像實例分割數(shù)據(jù)集 169
10.2.5 圖像語義分割性能評估指標(biāo) 169
10.3 實例：基于深度學(xué)習(xí)的圖像分割網(wǎng)絡(luò)DeepLabV3 、Mask R-CNN 170
10.3.1 DeepLabV3 簡介 170
10.3.2 DeepLabV3 的結(jié)構(gòu)與工作
原理 170
10.3.3 DeepLabV3 網(wǎng)絡(luò)的訓(xùn)練
與測試 176
10.3.4 DeepLabV3 語義分割測試
結(jié)果分析 178
10.3.5 Mask R-CNN簡介 180
10.3.6 Mask R-CNN的結(jié)構(gòu)與工作
原理 181
10.3.7 Mask R-CNN的訓(xùn)練與測試 190
10.3.8 Mask R-CNN實例分割測試
結(jié)果分析 191
本章總結(jié) 192
習(xí)題 193
參考文獻(xiàn) 194
前言
第1章數(shù)字圖像處理概述 1
1.1 數(shù)字圖像處理的基本概念 1
1.2 數(shù)字圖像處理系統(tǒng)的組成 3
1.3 數(shù)字圖像處理的應(yīng)用 4
1.4 數(shù)字圖像處理任務(wù)的層次劃分 7
本章總結(jié) 8
習(xí)題 8
第2章Python語言編程基礎(chǔ) 9
2.1 Python語言簡介 9
2.2 Python語言的基本語法 11
2.2.1 Python語言的基本編程語法 12
2.2.2 Python語言的基本流程控制 14
2.2.3 Python語言的內(nèi)置庫和函數(shù) 17
2.2.4 Python語言的面向?qū)ο?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(yīng)用 24
2.3.1 Python-OpenCV簡介 24
2.3.2 Python-OpenCV的基本圖像
處理操作 24
本章總結(jié) 31
習(xí)題 31
第3章深度學(xué)習(xí)圖像處理技術(shù)基礎(chǔ) 32
3.1 深度學(xué)習(xí)的基本概念 32
3.2 卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成及
Python實現(xiàn) 36
3.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成 36
3.2.2 幾種典型的卷積神經(jīng)網(wǎng)絡(luò) 41
3.2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試 50
3.3 深度學(xué)習(xí)圖像處理平臺搭建 51
3.4 實例：基于深度學(xué)習(xí)的手寫數(shù)字
識別 53
本章總結(jié) 57
習(xí)題 57
第4章基于深度學(xué)習(xí)的圖像去噪 58
4.1 圖像去噪概述 58
4.2 基于深度學(xué)習(xí)的圖像去噪網(wǎng)絡(luò)
的發(fā)展 59
4.3 實例：基于深度學(xué)習(xí)的圖像去噪網(wǎng)絡(luò)FFDNet 60
4.3.1 FFDNet簡介 60
4.3.2 FFDNet的結(jié)構(gòu)與工作原理 61
4.3.3 FFDNet的訓(xùn)練與測試 62
4.3.4 FFDNet圖像去噪測試結(jié)果
分析 67
本章總結(jié) 68
習(xí)題 68
第5章基于深度學(xué)習(xí)的圖像去模糊 69
5.1 圖像去模糊概述 69
5.2 基于深度學(xué)習(xí)的圖像去模糊的發(fā)展 71
5.3 實例：基于深度學(xué)習(xí)的圖像去模糊
網(wǎng)絡(luò)DeblurGAN-v2 73
5.3.1 DeblurGAN-v2簡介 73
5.3.2 DeblurGAN-v2的結(jié)構(gòu)與工作
原理 73
5.3.3 DeblurGAN-v2的訓(xùn)練與測試 75
5.3.4 DeblurGAN-v2圖像去模糊測試結(jié)果分析 80
本章總結(jié) 81
習(xí)題 81
第6章基于深度學(xué)習(xí)的圖像增強 82
6.1 圖像增強概述 82
6.1.1 頻率域法 82
6.1.2 空間域法 83
6.1.3 基于深度學(xué)習(xí)的圖像增強法 83
6.2 基于深度學(xué)習(xí)的圖像增強的發(fā)展 84
6.3 實例：基于深度學(xué)習(xí)的圖像增強網(wǎng)絡(luò)RetinexNet 85
6.3.1 RetinexNet簡介 85
6.3.2 RetinexNet的結(jié)構(gòu)與工作原理 86
6.3.3 FFDNet的訓(xùn)練與測試 90
6.3.4 RetinexNet圖像增強測試結(jié)果
分析 98
本章總結(jié) 99
習(xí)題 99
第7章 基于深度學(xué)習(xí)的圖像
超分辨率重建 100
7.1 圖像超分辨率重建概述 100
7.2 基于深度學(xué)習(xí)的圖像超分辨率重建
網(wǎng)絡(luò)的發(fā)展 101
7.3 實例：基于深度學(xué)習(xí)的圖像超
分辨率重建網(wǎng)絡(luò)ESRGAN 103
7.3.1 ESRGAN簡介 103
7.3.2 ESRGAN的結(jié)構(gòu)與工作原理 103
7.3.3 ESRGAN的訓(xùn)練與測試 106
7.3.4 ESRGAN圖像超分辨率重建
結(jié)果分析 117
本章總結(jié) 118
習(xí)題 119
第8章基于深度學(xué)習(xí)的圖像識別 120
8.1 圖像識別概述 120
8.2 基于深度學(xué)習(xí)的圖像識別的發(fā)展 122
8.3 實例：基于深度學(xué)習(xí)的圖像識別
網(wǎng)絡(luò)CNN 125
8.3.1 CNN簡介 125
8.3.2 CNN的結(jié)構(gòu)與工作原理 125
8.3.3 CNN的訓(xùn)練與測試 126
8.3.4 CNN圖像識別測試結(jié)果分析 141
本章總結(jié) 143
習(xí)題 143
第9章基于深度學(xué)習(xí)的目標(biāo)檢測 144
9.1 目標(biāo)檢測概述 144
9.2 基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)的
發(fā)展 146
9.2.1 兩階段檢測的發(fā)展 146
9.2.2 單階段檢測的發(fā)展 147
9.2.3 深度學(xué)習(xí)目標(biāo)檢測數(shù)據(jù)集的
發(fā)展 148
9.3 實例：基于深度學(xué)習(xí)的目標(biāo)檢測
網(wǎng)絡(luò)YOLOv4 149
9.3.1 YOLOv4簡介 149
9.3.2 YOLOv4的結(jié)構(gòu)與工作原理 149
9.3.3 YOLOv4的訓(xùn)練與測試 154
9.3.4 YOLOv4目標(biāo)檢測測試
結(jié)果分析 158
本章總結(jié) 159
習(xí)題 159
第10章基于深度學(xué)習(xí)的圖像分割 160
10.1 圖像分割概述 160
10.1.1 語義分割概述 160
10.1.2 實例分割概述 161
10.2 基于深度學(xué)習(xí)的圖像分割網(wǎng)絡(luò)
的發(fā)展 162
10.2.1 語義分割網(wǎng)絡(luò)的發(fā)展 162
10.2.2 圖像語義分割數(shù)據(jù)集 165
10.2.3 實例分割網(wǎng)絡(luò)的發(fā)展 166
10.2.4 圖像實例分割數(shù)據(jù)集 169
10.2.5 圖像語義分割性能評估指標(biāo) 169
10.3 實例：基于深度學(xué)習(xí)的圖像分割網(wǎng)絡(luò)DeepLabV3 、Mask R-CNN 170
10.3.1 DeepLabV3 簡介 170
10.3.2 DeepLabV3 的結(jié)構(gòu)與工作
原理 170
10.3.3 DeepLabV3 網(wǎng)絡(luò)的訓(xùn)練
與測試 176
10.3.4 DeepLabV3 語義分割測試
結(jié)果分析 178
10.3.5 Mask R-CNN簡介 180
10.3.6 Mask R-CNN的結(jié)構(gòu)與工作
原理 181
10.3.7 Mask R-CNN的訓(xùn)練與測試 190
10.3.8 Mask R-CNN實例分割測試
結(jié)果分析 191
本章總結(jié) 192
習(xí)題 193
參考文獻(xiàn) 194
展開全部
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
回憶愛瑪儂
- >
羅曼·羅蘭讀書隨筆-精裝
- >
煙與鏡
- >
李白與唐代文化
- >
自卑與超越
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
本類暢銷
