深度学习在数字图像处理中的应用

图书标准信息

• 作者 马龙华
• 出版社 电子工业出版社
• 出版时间 2022-06
• 版次 1
• ISBN 9787121437083
• 定价 89.00元
• 装帧 其他
• 开本 16开
• 页数 304页
• 字数 510千字

【内容简介】

深度学习凭借其在识别应用领域中超高的预测准确率，在图像处理领域获得了极大关注，这势必将提升现有图像处理系统的性能并开创新的应用领域。利用卷积神经网络等深层神经网络的解决方案，可以逐渐取代基于算法可解释的传统图像处理工作。尽管图像预处理、后期处理和信号处理仍在大量采用现有方法，但在图像分类应用中，深度学习变得愈加重要。在该背景下，本书系统介绍了深度学习在数字图像处理各个研究分支的应用，包括图像增强、图像复原、图像检索、图像压缩、图像分割、目标检测、动作识别和图像配准等。每一部分都对传统方法做了概述，并穿插介绍本书作者的研究成果，反映了深度学习在数字图像处理各个研究分支的发展现状。本书可作为高等院校具有一定计算机基础的人工智能、自动化、信号与信息处理、电子信息工程、计算机科学与技术、通信工程等专业的研究生或高年级本科生的教材或参考书，也可作为科研院所相关专业的科技工作者的参考书。

【作者简介】

马龙华，浙江大学宁波理工学院教授，主持和承担国家自然科学基金面上项目3项、重点项目1项，工信部\"中国制造2025”新模式重大专项2项，浙江省杰出青年基金和重点基金各1项；获省部级科技进步奖6项，其中省部级二等奖3项。

【目录】

第1章　数字图像处理概述1

1.1　数字图像的基本概念1

1.1.1　数字图像1

1.1.2　获取静态数字图像的方式7

1.1.3　色彩及色彩模型10

1.2　数字图像的获取与描述15

1.2.1　图像数字化15

1.2.2　图像灰度直方图17

1.2.3　图像处理算法的形式20

1.2.4　图像的数据结构与特征21

1.3　数字图像处理的研究内容和应用领域25

1.3.1　数字图像处理的基本流程25

1.3.2　数字图像处理的研究分支26

1.3.3　传统数字图像处理常用的理论工具30

1.3.4　数字图像处理的应用领域30

参考文献32

第2章　深度学习概述33

2.1　深度学习的概念33

2.1.1　深度学习的历史背景33

2.1.2　深度学习的基本思想33

2.1.3　深度学习的本质和优势34

2.2　国内外研究现状35

2.2.1　深度学习在语音识别领域的研究现状35

2.2.2　深度学习在图像识别领域的研究现状37

2.2.3　深度学习在自然语言处理领域的研究现状40

2.3　深度学习典型模型结构和训练算法41

2.3.1　感知机42

2.3.2　前馈神经网络之多层感知机43

2.3.3　前馈神经网络之卷积神经网络45

2.3.4　反馈深度网络48

2.3.5　双向深度网络50

2.3.6　深度学习训练算法55

2.4　深度学习的优点和已有的应用57

2.4.1　深度学习的优点57

2.4.2　深度学习已有的典型应用57

2.5　深度学习存在的问题及未来研究方向60

2.5.1　深度学习目前存在的问题60

2.5.2　深度学习未来研究方向61

参考文献62

第3章　基于深度学习的图像增强与图像恢复66

3.1　图像去噪66

3.1.1　传统图像去噪方法概述66

3.1.2　基于DnCNN的图像去噪69

3.1.3　基于CBDNet的图像去噪72

3.2　图像去雾74

3.2.1　传统图像去雾方法概述74

3.2.2　基于DehazeNet的图像去雾77

3.2.3　基于EPDN的图像去雾79

3.2.4　基于PMS-Net的图像去雾80

3.3　图像去模糊82

3.3.1　传统图像去模糊方法概述82

3.3.2　基于ResBlock的图像去模糊85

3.3.3　基于DAVANet的图像去模糊86

3.4　图像增强91

3.4.1　传统图像增强方法概述91

3.4.2　基于Deep Bilateral Learning的图像增强94

3.4.3　基于Deep Photo Enhancer的图像增强96

3.4.4　基于Deep Illumination Estimation的图像增强97

参考文献99

第4章　基于深度学习的图像检索105

4.1　图像检索的研究背景和研究现状105

4.1.1　图像检索的研究背景105

4.1.2　为什么要引入深度学习106

4.1.3　图像检索的研究现状106

4.2　图像特征和相似性度量108

4.2.1　原始数据层特征108

4.2.2　物理层特征109

4.2.3　语义层特征110

4.2.4　图像相似性度量110

4.3　基于内容的图像检索111

4.3.1　基于颜色特征的图像检索111

4.3.2　基于纹理特征的图像检索113

4.3.3　基于形状特征的图像检索114

4.3.4　基于多特征的图像检索115

4.3.5　基于视觉词袋的图像检索119

4.4　基于注意力机制和卷积神经网络的图像检索122

4.4.1　注意力机制简介122

4.4.2　图像检索中的注意力机制123

4.4.3　基于注意力机制和卷积神经网络模型的图像检索124

4.4.4　实验结果127

4.5　基于深度信念网络的人脸图像检索130

4.5.1　局部二值模式130

4.5.2　DBN训练模型130

4.5.3　融合LBP算子与DBN网络模型的图像检索131

4.5.4　实验结果131

参考文献132

第5章　基于深度学习的图像压缩136

5.1　图像压缩概述136

5.1.1　图像压缩的目的和意义136

5.1.2　传统图像压缩的方法分类和简介137

5.1.3　为什么要引入深度学习139

5.1.4　基于深度学习的图像压缩技术现状139

5.2　基于矢量量化的图像压缩方法140

5.2.1　基于矢量量化的图像压缩概述140

5.2.2　基于边缘分类和范数排序的K-means算法的码书设计142

5.2.3　基于特征分类和分组初始化的改进K-means算法的码书设计146

5.3　基于深度学习的图像压缩方法151

5.3.1　基于卷积神经网络的图像压缩方法概述151

5.3.2　基于循环神经网络的图像压缩方法概述153

5.3.3　基于生成对抗网络的图像压缩方法概述154

5.3.4　结合卷积神经网络和传统方法的图像压缩155

5.3.5　实验结果与分析159

参考文献161

第6章　基于深度学习的图像分割167

6.1　图像分割概述167

6.1.1　图像分割的目的和意义167

6.1.2　传统图像分割方法分类168

6.1.3　典型传统图像分割方法简介170

6.1.4　为什么引入深度学习175

6.2　复杂背景下毛坯轮毂图像分割及圆心精确定位176

6.2.1　引言176

6.2.2　基于超像素能量谱的轮毂分割177

6.2.3　精确圆拟合算法178

6.2.4　圆拟合结果分析179

6.3　基于深度学习的图像分割概述181

6.3.1　研究现状181

6.3.2　几种典型实现方案182

6.3.3　基于全卷积神经网络的图像分割实验结果185

6.4　基于深度生成对抗网络的超声图像分割186

6.4.1　引言186

6.4.2　相关工作187

6.4.3　基于深度生成对抗网络的臂丛分割188

6.4.4　实验190

参考文献193

第7章　基于深度学习的人脸检测与行人检测198

7.1　基于深度学习的人脸检测198

7.1.1　人脸检测概述198

7.1.2　基于深度学习的人脸检测算法分类和数据集200

7.1.3　多任务级联卷积网络的加速203

7.1.4　实验结果209

7.2　行人检测概述212

7.2.1　行人检测基本框架212

7.2.2　基于传统机器学习的方法212

7.2.3　基于深度学习的方法213

7.2.4　行人检测评判标准216

7.3　基于ViBe结合HOG+SVM的快速行人检测与跟踪216

7.3.1　引言216

7.3.2　ViBe算法217

7.3.3　基于HOG+SVM的行人检测218

7.3.4　基于ViBe结合HOG+SVM方案220

7.3.5　实验结果与分析222

参考文献227

第8章　基于深度学习的动作识别232

8.1　人体动作识别技术概述232

8.1.1　引言232

8.1.2　国内外研究现状233

8.1.3　研究难点236

8.2　动作识别相关技术237

8.2.1　图卷积网络237

8.2.2　用于骨骼动作识别的空时图卷积网络239

8.2.3　用于视频动作识别的双流卷积网络240

8.2.4　动作识别相关数据集241

8.3　人体姿态估计244

8.3.1　人体姿态估计的分类244

8.3.2　OpenPose算法245

8.3.3　AlphaPose算法248

8.3.4　实验结果比较分析251

8.4　基于图卷积网络的骨骼序列动作识别算法253

8.4.1　引言253

8.4.2　注意力机制和共现特征学习253

8.4.3　基于图卷积网络的多任务框架254

8.4.4　实验结果及分析257

8.5　一种替代光流的视频动作识别算法261

8.5.1　基于光流估计的双流卷积网络261

8.5.2　时间轨迹滤波器262

8.5.3　随机跨帧融合264

8.5.4　实验结果及分析265

参考文献266

第9章　基于深度学习的医学图像配准270

9.1　医学图像配准概述270

9.1.1　基本概念270

9.1.2　基本变换270

9.1.3　方法分类272

9.1.4　典型配准方法272

9.1.5　评估方法273

9.2　基于分形沙漏网络由MV-DR合成kV-DRR274

9.2.1　引言274

9.2.2　分形沙漏网络274

9.2.3　实验276

9.3　基于公共表征学习和几何约束的多模态医学图像配准278

9.3.1　引言278

9.3.2　方法279

9.3.3　实验及算法比较280

9.4　基于信息瓶颈条件生成对抗网络的MV-DR和kV-DRR配准281

9.4.1　引言281

9.4.2　材料和方法282

9.4.3　结果287

参考文献290