{正版现货新书} 计算摄像学:成像模型理论与深度学习实践:image formation theory and deep learning practice 9787111748847 施柏鑫
全新正版现货，以书名为准，放心购买，购书咨询18515909251朱老师
￥ 100.11 5.9折 ￥ 169 全新
库存32件
北京丰台
作者施柏鑫
出版社机械工业出版社
ISBN9787111748847
出版时间2023-06
装帧平装
开本16开
定价169元
货号16257519
上书时间2025-12-11
商品详情
- 品相描述：全新
- 商品描述
-
目录
目录<br /><br />前 言<br /> <br />第 1 章 计算摄像学概述 /1 <br />1.1 计算摄像学研究范畴 /1 <br />1.1.1 研究背景 /1 <br />1.1.2 研究内容 /3 <br />1.2 计算摄像学相关课程 /6 <br />1.3 计算摄像学相关教材 /9 <br />本章参考文献 /10 <br /><br />第 2 章 数字摄像原理 /11 <br />2.1 图像传感器的基本原理 /11 <br />2.2 色彩形成的基本原理 /14 <br />2.3 相机内部图像处理流程 /17 <br />2.3.1 白平衡 /19 <br />2.3.2 去马赛克 /23 <br />2.3.3 去噪 /24 <br />2.3.4 色调再现 /25 <br />2.3.5 传感器原始图像格式 /27 <br />2.4 深度学习建模相机内部流程 /29 <br />2.4.1 应用于图像增强 /29 <br />2.4.2 应用于图像处理流程建模 /32 <br />2.5 本章小结 /35 <br />2.6 本章课程实践 /36 <br />本章参考文献 /38 <br /><br />第 3 章 相机几何模型 /40 <br />3.1 针孔相机模型 /40 <br />3.2 透视投影与相机矩阵 /44 <br />3.2.1 相机内参矩阵 /44 <br />3.2.2 相机外参矩阵 /46 <br />3.2.3 透视投影现象与应用 /47 <br />3.2.4 特殊相机模型 /49 <br />3.3 相机几何标定 /50 <br />3.3.1 三维对应点标定法 /51 <br />3.3.2 多图棋盘格标定法 /54 <br />3.3.3 径向畸变标定法 /56 <br />3.4 利用深度学习的相机几何标定 /57 <br />3.4.1 直接回归相机焦距法 /57 <br />3.4.2 地平线辅助标定法 /57 <br />3.4.3 垂直消失点辅助标定法 /59 <br />3.4.4 径向畸变下的标定问题 /61 <br />3.4.5 利用特殊场景进行标定 /62 <br />3.5 本章小结 /62 <br />3.6 本章课程实践 /63 <br />本章参考文献 /65 <br /><br />第 4 章 镜头与曝光 /67 <br />4.1 理想透镜与真实透镜 /67 <br />4.2 光圈与景深 /704.3 视场与镜头选用 /74 <br />4.4 曝光控制 /77 <br />4.5 虚拟大光圈摄像 /79 <br />4.5.1 虚拟大光圈效果渲染方法 /81 <br />4.5.2 利用深度学习的实现方法 /83 <br />4.6 无镜头成像 /87 <br />4.6.1 相机构造 /88 <br />4.6.2 图像重建算法 /93 <br />4.7 本章小结 /95 <br />4.8 本章课程实践 /96 <br />本章参考文献 /97<br /> <br />第 5 章 焦点堆栈与光场摄像 /100 <br />5.1 焦点堆栈 /100 <br />5.1.1 基本概念 /100 <br />5.1.2 拍摄与合并 /101 <br />5.1.3 对焦与离焦的深度测量 /103 <br />5.2 光场 /105 <br />5.2.1 基本概念 /105 <br />5.2.2 表示方法 /106 <br />5.2.3 拍摄方法 /109 <br />5.2.4 可视化与应用 /112 <br />5.3 自动对焦 /117 <br />5.3.1 主动对焦 /117 <br />5.3.2 反差对焦 /118 <br />5.3.3 相位对焦 /118 <br />5.4 利用深度学习表示光场 /119 <br />5.4.1 经典光场表示 /119 <br />5.4.2 基于神经辐射场的方法 /122 <br />5.5 本章小结 /123 <br />5.6 本章课程实践 /124 <br />本章参考文献 /128 <br /><br />第 6 章 光度成像模型 /130 <br />6.1 相机辐射响应及其标定 /130 <br />6.1.1 相机响应函数 /131 <br />6.1.2 相机辐射响应标定 /132 <br />6.2 光度成像模型的三个基本要素 /138 <br />6.2.1 表面法线 /139 <br />6.2.2 反射率模型 /139 <br />6.2.3 光源模型 /141 <br />6.3 从明暗恢复形状 /142 <br />6.4 利用深度学习估计环境光照 /147 <br />6.4.1 参数化模型估计室外光照/147 <br />6.4.2 自编码器估计室外光照 /150 <br />6.4.3 非参数化全局一致室内光照 /151 <br />6.4.4 参数化的局部可变室内光照 /152 <br />6.5 本章小结 /154 <br />6.6 本章课程实践 /154 <br />本章参考文献 /157 <br /><br />第 7 章 光度立体视觉 /160 <br />7.1 经典方法 /161 <br />7.1.1 相关基本概念 /161 <br />7.1.2 基于最小二乘法优化的解法 /163 <br />7.2 泛化方法 /165 <br />7.2.1 应对非理想的反射率 /166 <br />7.2.2 应对非标定情况的解法 /170 <br />7.2.3 基准评测数据集 /173 <br />7.3 光度立体视觉的深度学习解法 /179 <br />7.3.1 光源方向固定的方法 /1797.3.2 应对任意方向光源的方法/180 <br />7.3.3 应对光源方向未标定的方法 /182 <br />7.3.4 应对光源方向稀疏的方法/183 <br />7.3.5 利用其他约束的方法 /185 <br />7.4 本章小结 /186 <br />7.5 本章课程实践 /187 <br />本章参考文献 /189 <br /><br />第 8 章 高动态范围成像 /193 <br />8.1 动态范围的定义 /193 <br />8.2 多次曝光融合的经典方法 /196 <br />8.3 高动态范围图像的存储 /199 <br />8.4 高动态范围显示与色调映射 /201 <br />8.4.1 色调映射方法 /201 <br />8.4.2 关于色调映射的一些讨论/206 <br />8.5 利用深度学习扩展动态范围 /207 <br />8.5.1 单张图像逆向色调映射 /207 <br />8.5.2 多图交替曝光的方法 /212 <br />8.6 用非传统传感器扩展动态范围 /213 <br />8.6.1 基于余数相机的方法 /214 <br />8.6.2 融合神经形态相机的方法/218 <br />8.7 本章小结 /220 <br />8.8 本章课程实践 /220 <br />本章参考文献 /222 <br /><br />第 9 章 超分辨率 /225 <br />9.1 基于子像素位移的多帧方法 /226 <br />9.1.1 图像退化模型 /226 <br />9.1.2 优化求解高分辨率图像 /228 <br />9.2 通过改进传感器构造的方法 /233 <br />9.2.1 利用相机抖动 /233 <br />9.2.2 利用非周期重复像素布局/235 <br />9.2.3 利用非对称子像素分布 /237 <br />9.3 基于信号处理的单帧方法 /240 <br />9.3.1 基于图像块重复性的方法/241 <br />9.3.2 基于梯度锐化变换的方法/243 <br />9.4 利用深度学习的方法 /245 <br />9.4.1 基于卷积神经网络的方法/245 <br />9.4.2 基于生成对抗网络的方法/247 <br />9.4.3 基于无监督学习的方法 /248 <br />9.5 本章小结 /249 <br />9.6 本章课程实践 /250 <br />本章参考文献 /251 <br /><br />第 10 章 去模糊 /254 <br />10.1 基于传统摄像的方法 /254 <br />10.1.1 应对镜头缺陷带来的模糊 /254 <br />10.1.2 应对相机抖动带来的模糊 /259 <br />10.2 基于计算摄像的方法 /261 <br />10.2.1 应对景深带来的模糊 /261 <br />10.2.2 应对场景运动带来的模糊 /267 <br />10.3 基于深度学习的去模糊 /270 <br />10.3.1 卷积核估计 /271 <br />10.3.2 端到端生成 /272 <br />10.3.3 生成对抗模型 /274 <br />10.3.4 图像去模糊数据集 /276 <br />10.4 本章小结 /277 <br />10.5 本章课程实践 /278 <br />本章参考文献 /279<br />第 11 章 图像恢复高级专题 I /282 <br />11.1 本征图像分解概述 /283 <br />11.1.1 图像形成模型 /284 <br />11.1.2 代表性应用 /285 <br />11.1.3 问题的不适定性 /286 <br />11.1.4 基准数据集 /287 <br />11.2 Retinex 分解 /292 <br />11.3 基于优化求解的本征图像分解 /297 <br />11.4 基于深度学习的本征图像分解 /302 <br />11.4.1 不同学习范式下的方法 /302 <br />11.4.2 在逆渲染方面的应用 /312 <br />11.5 本章小结 /318 <br />11.6 本章课程实践 /319 <br />本章参考文献 /321 <br /><br />第 12 章 图像恢复高级专题 II /326 <br />12.1 反射消除问题概述 /327 <br />12.1.1 混合图像模型 /327 <br />12.1.2 反射消除的应用 /329 <br />12.2 经典优化求解的方法 /331 <br />12.2.1 手动分类边缘的方法 /331 <br />12.2.2 自动分类边缘的反射消除 /334 <br />12.2.3 利用多图分类边缘的方法 /337 <br />12.3 反射消除基准评测数据集 /339 <br />12.3.1 算法总结归类 /340 <br />12.3.2 数据集的构成 /341 <br />12.3.3 基准评测结果 /344 <br />12.4 基于深度学习的反射消除方法 /345 <br />12.4.1 单张图像问题求解 /345 <br />12.4.2 多张图像问题求解 /352 <br />12.5 本章小结 /359 <br />12.6 本章课程实践 /360 <br />本章参考文献 /362 <br /><br />第 13 章 图像恢复高级专题 III /367 <br />13.1 神经形态视觉传感器简介 /367 <br />13.1.1 概念与发展 /367 <br />13.1.2 主流传感器介绍 /370 <br />13.2 神经形态视觉信号表达 /375 <br />13.3 神经形态视觉信号处理 /380 <br />13.3.1 图像重构 /380 <br />13.3.2 神经形态视觉的运动分析 /386 <br />13.4 融合传统相机的计算摄像 /397 <br />13.4.1 融合成像系统简介 /397 <br />13.4.2 传统相机增强神经形态成像 /399 <br />13.4.3 神经形态相机增强传统成像 /404 <br />13.5 本章小结 /409 <br />13.6 本章课程实践 /409 <br />本章参考文献 /410 <br /><br />跋 /417
内容摘要
本书以图像的物理形成过程和相机获取数字图像的原理为支撑，介绍计算摄像学中的基本问题、模型、理论及其用传统zui优化、信号处理方法的解决方案。结合各问题近些年随着深度学习技术的发展带来的全新进展，介绍深度学习和计算摄像问题的结合与应用。深度学习作为目前视觉计算领域zui热门的技术之一，在高层计算机视觉的目标检测、识别、分类等问题上带来了传统方法无法企及的性能突破。深度学习技术在计算摄像学中也正在发挥广泛而积极的作用。通过适当的方法，将传统计算摄像学在光学特性、物理过程和成像模型等方面的先验、约束与数据驱动方法强大的学习、建模能力进行优势互补，可以为众多计算摄像难题的求解提供全新的思路和手段。
主编推荐
中国工程院院士、鹏城实验室主任高文 北京智源人工智能研究院院长黄铁军 等联合推荐，北京大学施柏鑫研究员作品，国内第一本将将深度学习与计算摄像研究充分结合的专著。
精彩内容
本书以图像的物理形成过程和相机获取数字图像的原理为支撑，介绍计算摄像学中的基本问题、模型、理论及其用传统zui优化、信号处理方法的解决方案。结合各问题近些年随着深度学习技术的发展带来的全新进展，介绍深度学习和计算摄像问题的结合与应用。深度学习作为目前视觉计算领域zui热门的技术之一，在高层计算机视觉的目标检测、识别、分类等问题上带来了传统方法无法企及的性能突破。深度学习技术在计算摄像学中也正在发挥广泛而积极的作用。通过适当的方法，将传统计算摄像学在光学特性、物理过程和成像模型等方面的先验、约束与数据驱动方法强大的学习、建模能力进行优势互补，可以为众多计算摄像难题的求解提供全新的思路和手段。
以下为对购买帮助不大的评价