类似推荐
编辑推荐
本书内容由浅入深、循序渐进，涵盖了深度学习在图像处理中的应用技术。
内容简介
本书共8章，首先简要介绍图像处理技术，以及深度学习在图像领域中的应用；接着对深度学习在图像处理中的应用技术进行详细介绍，包括图像阴影检测、图像阴影去除、图像噪声处理、图像匀光和匀色等内容；然后对基于卷积神经网络的图像超分辨率重建方法进行讲解；最后以基于深度学习的红树林提取和屋顶提取与绿化评价为例，详细讲解深度学习在图像处理中的应用。
作者简介
作者郭明强，重庆人，信息工程系副教授，从事网络地理信息系统和高性能空间计算的研究和教学工作。2007年获中国地质大学（武汉）计算机科学与技术学士学位；2013年获中国地质大学（武汉）地图制图学与地理信息工程博士学位。
章节目录
版权信息
内容简介
前言
第1章 绪论
1.1 图像阴影检测与去除
1.2 图像噪声处理
1.3 图像匀光、匀色
1.4 图像超分辨率重建
1.5 深度学习在图像领域中的应用
1.6 本章小结
本章参考文献
第2章 图像阴影检测
2.1 阴影检测的意义
2.2 阴影检测方法分类
2.2.1 基于监督学习的阴影检测方法
2.2.2 基于非监督学习的阴影检测方法
2.3 基于动态粒子群算法的阴影检测
2.3.1 遥感图像阴影检测方法的整体流程
2.3.2 遥感图像阴影检测通道设计
2.3.3 动态局部自适应粒子群算法
2.3.4 局部区域优化
2.4 阴影检测实验
2.5 本章小结
本章参考文献
第3章 图像阴影去除
3.1 基于梯度域的图像阴影去除方法
3.1.1 代表性方法研究
3.1.2 二维泊松方程
3.1.3 基于梯度域的图像阴影去除算法框架
3.2 基于光照转移的图像阴影去除方法
3.2.1 代表性方法研究
3.2.2 光照补偿原理
3.2.3 基于光照转移的图像阴影去除算法框架
3.3 基于深度学习的图像阴影去除方法
3.3.1 代表性方法研究
3.3.2 GAN模型
3.3.3 基于生成对抗网络的图像阴影去除模型——ST-CGAN
3.4 本章小结
本章参考文献
第4章 图像噪声处理
4.1 背景与现状分析
4.1.1 图像噪声处理的背景及意义
4.1.2 国内外图像噪声处理方法现状分析
4.2 SAR系统成像与相干斑噪声
4.2.1 SAR系统的成像原理
4.2.2 相干斑噪声的形成机理
4.2.3 相干斑噪声的统计模型
4.2.4 相干斑噪声抑制结果的评价指标
4.3 非凸非光滑变分模型及求解方法
4.3.1 基本算子和函数空间的定义
4.3.2 非凸非光滑变分模型
4.3.3 变量分割法
4.3.4 增广拉格朗日法
4.4 抑制相干斑噪声的非凸非光滑变分模型
4.4.1 经典的相干斑噪声抑制变分模型
4.4.2 无截断的非凸非光滑变分模型及数值算法
4.4.3 截断的非凸非光滑变分模型及数值算法
4.5 实验结果与分析
4.5.1 合成数据集和真实SAR图像数据集的构建
4.5.2 模型参数分析
4.5.3 合成数据的相干斑噪声抑制结果分析
4.5.4 真实SAR图像的相干斑噪声抑制结果分析
4.6 本章小结
本章参考文献
第5章 图像匀光、匀色
5.1 图像匀光、匀色的意义与现状分析
5.2 图像匀光、匀色方法
5.2.1 图像匀光方法
5.2.2 图像匀色方法
5.2.3 图像质量评价标准
5.3 图像匀光、匀色实验分析
5.3.1 实验数据
5.3.2 匀光处理结果
5.3.3 匀色处理结果
5.4 本章小结
本章参考文献
第6章 基于卷积神经网络的图像超分辨率重建
6.1 图像超分辨率重建的意义与现状分析
6.1.1 图像超分辨率重建的背景与意义
6.1.2 图像超分辨率重建方法现状分析
6.2 超分辨率重建技术与数据集
6.2.1 人工神经网络
6.2.2 卷积神经网络基本结构
6.2.3 图像超分辨率重建质量评价指标
6.2.4 超分辨率重建经典模型
6.2.5 实验数据
6.3 基于RDN的超分辨率重建网络模型
6.3.1 RDN模型的网络架构
6.3.2 遥感图像超分辨率重建过程
6.4 实验结果对比分析
6.4.1 RDN模型的训练
6.4.2 基于NWPU-RESISC45数据集的测试结果
6.4.3 基于RSSCN7数据集的测试结果
6.5 本章小结
本章参考文献
第7章 基于深度学习的红树林提取
7.1 红树林提取的背景意义与现状分析
7.1.1 红树林提取的背景意义
7.1.2 红树林提取方法现状分析
7.1.3 红树林提取技术路线
7.2 红树林语义分割数据集
7.2.1 研究区域
7.2.2 遥感数据和预处理
7.2.3 制作红树林语义分割数据集
7.3 基于深度学习的红树林提取模型
7.3.1 基于深度学习的红树林语义分割框架
7.3.2 深度卷积神经网络的结构
7.4 红树林提取实践
7.4.1 实验设置
7.4.2 实验结果
7.5 红树林提取模型分析
7.5.1 样本数据对红树林提取结果的影响
7.5.2 网络结构和训练技巧对模型预测结果的影响
7.5.3 不同的语义分割方法对红树林提取的影响
7.6 本章小结
本章参考文献
第8章 基于深度学习的屋顶提取与绿化评价
8.1 屋顶绿化的背景意义与现状分析
8.1.1 屋顶绿化的背景和意义
8.1.2 屋顶绿化现状分析
8.2 国内外城市屋顶绿化评价方法
8.2.1 德国不伦瑞克市
8.2.2 葡萄牙里斯本市
8.2.3 中国漯河市
8.2.4 中国深圳
8.3 屋顶绿化试验数据
8.3.1 试验区介绍
8.3.2 试验数据介绍
8.4 屋顶绿化评价方法
8.4.1 基于深度学习的可绿化屋顶目标检测
8.4.2 气象数据指标计算
8.4.3 公园绿地距离指标计算
8.4.4 交通拥堵程度指标计算
8.4.5 屋顶绿化评价
8.5 厦门岛屋顶绿化评价结果与讨论
8.5.1 屋顶绿化评价结果分析
8.5.2 可绿化屋顶目标检测方法的优势
8.5.3 屋顶绿化评价权重选取
8.5.4 屋顶绿化评价指标选取
8.6 本章小结
本章参考文献
图像处理与深度学习是2022年由电子工业出版社出版,作者郭明强。
得书感谢您对《图像处理与深度学习》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
