图像分割原理与技术实现
全新正版 假一赔十 可开发票
￥ 112.13 7.1折 ￥ 158 全新
库存7件
北京东城
认证卖家担保交易快速发货售后保障
作者彭凌西 等 编
出版社科学出版社
ISBN9787030788849
出版时间2024-06
装帧平装
开本16开
定价158元
货号1203305806
上书时间2024-11-14
商品详情
- 品相描述：全新
- 商品描述
-
目录
序
前言
第1章 绪论1
1.1 引言1
1.2 数字图像基础3
1.2.1 数字图像概念4
1.2.2 图像三要素4
1.2.3 数字图像文件格式6
1.3 图像预处理7
1.3.1 点运算7
1.3.2 直方图处理12
1.3.3 图像去噪16
1.4 图像语义分割基本操作23
1.4.1 卷积23
1.4.2 图像填充25
1.4.3 下采样26
1.4.4 上采样27
1.4.5 one-hot编码31
1.5 图像分割评价指标33
1.5.1 准确率33
1.5.2 混淆矩阵33
1.5.3 交并比34
1.5.4 灵敏度35
1.5.5 特异性36
1.5.6 F1分数36
参考文献36
第2章 传统图像分割方法和数学形态学38
2.1 传统图像分割方法38
2.1.1 基于阈值的图像分割方法38
2.1.2 基于区域的图像分割方法42
2.1.3 基于边缘的图像分割方法48
2.1.4 基于图论的图像分割方法53
2.1.5 基于能量泛函的图像分割方法57
2.1.6 基于特定工具的图像分割方法62
2.1.7 其他分割方法65
2.2 数学形态学68
2.2.1 膨胀和腐蚀68
2.2.2 闭运算与开运算70
2.2.3 形态学梯度70
2.2.4 顶帽运算72
2.2.5 黑帽运算72
2.3 图像金字塔73
2.3.1 高斯金字塔73
2.3.2 拉普拉斯金字塔74
2.3.3 高斯差分76
2.4 小结77
参考文献77
第3章 神经网络和深度学习79
3.1 生物神经网络原理79
3.2 人工神经网络发展80
3.3 深度学习模型87
3.3.1 卷积神经网络88
3.3.2 基于多层神经元的自编码神经网络97
3.3.3 深度置信网络99
3.4 小结及相关研究101
3.4.1 小结101
3.4.2 相关研究102
参考文献104
第4章 全卷积网络107
4.1 引言107
4.2 VGGNet110
4.2.1 VGGNet简介110
4.2.2 VGG16具体代码实现113
4.3 FCN网络结构113
4.4 FCN算法原理115
4.4.1 全卷积结构115
4.4.2 上采样116
4.4.3 特征融合116
4.5 FCN具体实现介绍117
4.6 小结及相关研究119
4.6.1 小结119
4.6.2 相关研究120
参考文献120
第5章 U-Net122
5.1 引言122
5.1.1 U-Net简介122
5.1.2 U-Net发展历程123
5.1.3 U-Net的基本概念125
5.2 U-Net网络模型126
5.2.1 网络结构126
5.2.2 算法原理128
5.2.3 算法流程及实现代码131
5.3 AFNet网络模型133
5.3.1 AFNet网络结构介绍133
5.3.2 相关研究内容135
5.3.3 算法流程及实现代码139
5.4 小结及相关研究142
5.4.1 小结142
5.4.2 相关研究142
参考文献143
第6章 SegNet145
6.1 引言145
6.1.1 SegNet背景145
6.1.2 SegNet发展历程146
6.2 SegNet结构介绍147
6.2.1 SegNet网络结构介绍147
6.2.2 相关内容介绍148
6.3 实验152
6.3.1 评价指标152
6.3.2 参数及数据集152
6.3.3 SegNet性能对比153
6.3.4 SegNet结构代码155
6.4 小结及相关研究160
参考文献161
第7章 DeepLab系列算法163
7.1 引言163
7.1.1 DeepLab系列算法简介163
7.1.2 DeepLab发展历程164
7.2 网络结构165
7.2.1 网络结构介绍165
7.2.2 主要创新点172
7.3 算法流程以及实现代码186
7.3.1 DeepLab v1186
7.3.2 DeepLab v2190
7.3.3 DeepLab v3192
7.3.4 DeepLab v3+195
7.4 小结及相关研究208
7.4.1 小结208
7.4.2 相关研究209
参考文献210
第8章 GCN212
8.1 引言212
8.1.1 GCN简介212
8.1.2 GCN相关基础概念214
8.2 总体网络结构介绍215
8.3 算法原理216
8.3.1 全局卷积网络结构216
8.3.2 边缘细化模块218
8.4 实验218
8.4.1 数据集性能测试218
8.4.2 预训练模型嵌入220
8.5 算法流程及实现代码221
8.5.1 算法流程222
8.5.2 具体实现代码222
8.6 小结及相关研究223
8.6.1 小结223
8.6.2 相关研究223
参考文献224
第9章 轻量级实时分割226
9.1 引言226
9.1.1 轻量级网络简介226
9.1.2 轻量级网络发展历程226
9.2 ENet网络227
9.2.1 主要创新点227
9.2.2 结构介绍229
9.2.3 ENet实验230
9.3 BiSeNet网络233
9.3.1 主要创新点234
9.3.2 结构介绍236
9.3.3 BiSeNet实验237
9.4 DFANet网络239
9.4.1 主要创新点239
9.4.2 结构介绍240
9.4.3 DFANet实验242
9.5 小结及相关研究244
9.5.1 小结245
9.5.2 相关研究245
参考文献247
第10章 RedNet：RGB-D语义分割入门249
10.1 引言249
10.2 室内RGB-D语义分割和金字塔监督251
10.2.1 室内RGB-D语义分割251
10.2.2 金字塔监督255
10.3 算法流程以及实现257
10.3.1 算法流程258
10.3.2 实现260
10.4 小结及相关研究264
10.4.1 小结264
10.4.2 相关研究264
参考文献266
第11章 RDFNet268
11.1 引言268
11.1.1 背景以及相关工作268
11.1.2 RefineNet发展历程270
11.2 网络结构271
11.2.1 网络结构介绍271
11.2.2 MMFNet模块279
11.3 算法流程及实现代码280
11.3.1 RDFNet280
11.3.2 RDFNet实现284
11.4 小结及相关研究284
11.4.1 小结284
11.4.2 相关研究285
参考文献286
彩图
内容摘要
本书在图像预处理方法、图像语义分割概念、评价指标等基础上，首先介绍了传统图像分割方法及发展历程，以及神经网络和深度学习的演变过程，然后介绍了经典语义分割网络如全卷积网络、U-Net、DeconvNet、DeepLab系列算法、全局卷积网络、RefineNet等，实时语义分割网络如SegNet、ENet、BiSeNet、DFANet、Light-Weight RefineNet,室内RGB-D语义分割网络如RedNet、RDFNet。本书不仅介绍了图像分割方法的原理，还给出了代码实例和注释说明，以便读者理解。
本书适合计算机科学或人工智能等专业的高校师生、科研人员阅读，也可供对人工智能相关研究感兴趣的读者参阅。
— 没有更多了 —
以下为对购买帮助不大的评价