欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 数字图像处理与深度学习(高等学校计算机专业系列教材)
      • 作者:编者:汪红兵//李莉|责编:龙启铭//常建丽
      • 出版社:清华大学
      • ISBN:9787302626886
      • 出版日期:2023/04/01
      • 页数:248
    • 售价:23.6
  • 内容大纲

        本书以机器视觉系统为研究背景,紧密结合实际工业应用案例,介绍传统数字图像处理方法和基于深度学习的数字图像处理方法。本书共8章,内容包括数字图像处理概述、基于传统方法的数字图像处理、基于深度学习的数字图像处理、工业字符智能识别、磨粒图谱识别与分割、射线检测的焊缝缺陷识别、嵌入式机器视觉系统开发、工业数字图像处理相关工具和平台。
        本书逻辑结构清晰、内容通俗易懂、案例丰富、图文并茂,突出构建机器视觉系统的实用性。本书教学资源丰富,每章配置了大量的习题以巩固基本概念、基础理论和算法,附录还给出4个典型实验以培养综合开发和运用能力。
        本书可作为具有一定计算机基础和程序设计基础知识的本科生教材,也可作为从事机器视觉、数字图像等相关工作的工程师的参考书。
  • 作者介绍

  • 目录

    第1章  数字图像处理概述
      1.1  数字图像
      1.2  数字图像处理
      1.3  工业数字图像
      1.4  图像的数字化
        1.4.1  颜色及颜色空间
        1.4.2  图像的采样
        1.4.3  图像的量化
        1.4.4  图像的编码
        1.4.5  数字图像的存储空间
      1.5  机器视觉系统
        1.5.1  机器视觉系统概述
        1.5.2  光源
        1.5.3  相机
        1.5.4  图像采集卡
        1.5.5  工业视觉处理机
      1.6  机器视觉系统的典型案例
        1.6.1  钢铁生产过程的钢板号智能识别系统
        1.6.2  焊接缺陷智能识别及辅助评片系统
        1.6.3  机械设备磨粒图谱智能识别系统
        1.6.4  钢包挂钩安全检测系统
      1.7  机器视觉系统的开发流程
      本章小结
      习题
    第2章  基于传统方法的数字图像处理
      2.1  数字图像中像素间的空间关系
        2.1.1  像素的邻域
        2.1.2  像素间的邻接关系
        2.1.3  通路
      2.2  数字图像中像素的基本运算
        2.2.1  线性点运算
        2.2.2  算术运算
        2.2.3  逻辑运算
        2.2.4  直方图均匀化
      2.3  图像滤波
        2.3.1  均值滤波
        2.3.2  高斯加权均值滤波
        2.3.3  中值滤波
        2.3.4  双边滤波
        2.3.5  频域滤波
      2.4  边缘检测
        2.4.1  梯度原理
        2.4.2  Roberts算子
        2.4.3  Sobel算子
        2.4.4  Prewitt算子
        2.4.5  拉普拉斯算子
        2.4.6  Canny算子
      2.5  图像分割
        2.5.1  阈值分割
        2.5.2  最大类间方差法

        2.5.3  区域生长算法
        2.5.4  分水岭算法
        2.5.5  聚类算法
        2.5.6  图割算法
      2.6  图像的形态学处理方法
        2.6.1  腐蚀
        2.6.2  膨胀
        2.6.3  开闭运算
      2.7  图像的纹理特征
        2.7.1  图像的统计矩
        2.7.2  灰度共生矩阵
        2.7.3  LBP
        2.7.4  分形维数
      2.8  图像处理的简单应用
        2.8.1  基于模板匹配的目标检测
        2.8.2  霍夫检测
        2.8.3  特征检测
      2.9  金相组织分析
      本章小结
      习题
    第3章  基于深度学习的数字图像处理
      3.1  人工智能与机器学习
        3.1.1  人工智能概述
        3.1.2  机器学习概述
      3.2  深度学习的基本概念
        3.2.1  深度学习概述
        3.2.2  深度学习的损失函数
        3.2.3  深度学习的评价指标
        3.2.4  深度学习模型开发的一般过程
      3.3  普通神经网络
        3.3.1  人工神经元
        3.3.2  神经网络的拓扑结构
        3.3.3  激活函数
        3.3.4  BP算法
      3.4  深度卷积神经网络
        3.4.1  卷积
        3.4.2  层间连接
        3.4.3  池化
        3.4.4  全连接
        3.4.5  Dropout
        3.4.6  批量归一化
        3.4.7  深度卷积神经网络的参数优化方法
      3.5  经典的深度卷积神经网络
        3.5.1  LeNet5
        3.5.2  VGG16
      3.6  深度卷积神经网络中的新技术
        3.6.1  Inception模块
        3.6.2  视觉注意力模块
      本章小结
      习题

    第4章  工业字符智能识别
      4.1  钢铁生产过程中的工业字符
      4.2  钢铁生产过程中工业字符识别的难点
      4.3  基于传统图像处理的字符识别
      4.4  基于深度学习的工业字符识别
        4.4.1  目标检测网络
        4.4.2  R-CNN网络
        4.4.3  Fast R-CNN
        4.4.4  Faster R-CNN
        4.4.5  基于Faster R-CNN进行工业字符识别
      本章小结
      习题
    第5章  磨粒图谱识别与分割
      5.1  铁谱分析技术
      5.2  设备磨损机理
      5.3  磨粒图谱
        5.3.1  正常磨粒
        5.3.2  切削磨粒
        5.3.3  球状磨粒
        5.3.4  严重滑动磨粒
        5.3.5  疲劳磨粒
        5.3.6  铜合金磨粒
        5.3.7  黑色氧化物磨粒
        5.3.8  红色氧化物磨粒
      5.4  基于传统图像处理的磨粒特征计算
        5.4.1  磨粒的颜色特征
        5.4.2  磨粒的形状特征
        5.4.3  磨粒的纹理特征
        5.4.4  磨粒特征计算示例
      5.5  基于深度卷积神经网络的磨粒图谱识别
        5.5.1  磨粒图谱标注
        5.5.2  特征提取网络
        5.5.3  非极大值抑制
        5.5.4  基于深度卷积神经网络的磨粒图谱识别实验结果展示
        5.5.5  基于GrabCut的磨粒分割
      本章小结
      习题
    第6章  射线检测的焊缝缺陷识别
      6.1  射线检测技术
        6.1.1  射线检测设备
        6.1.2  射线检测方法
      6.2  射线检测缺陷成像
        6.2.1  胶片成像
        6.2.2  数字成像
      6.3  焊缝缺陷图谱
        6.3.1  裂纹
        6.3.2  未熔合
        6.3.3  未焊透
        6.3.4  条形缺陷
        6.3.5  气孔缺陷

      6.4  焊缝缺陷识别的困难及应对策略
        6.4.1  底片透过亮度较小
        6.4.2  缺陷尺寸较小
        6.4.3  目标边缘模糊
        6.4.4  噪声干扰严重
        6.4.5  影像变形较大
        6.4.6  面积型缺陷成像差异较大
        6.4.7  重叠缺陷的影像变化复杂
        6.4.8  综合应对策略
      6.5  基于深度学习的焊缝缺陷识别
        6.5.1  特征金字塔网络
        6.5.2  数据扩增方法
        6.5.3  基于深度学习的焊缝缺陷识别实验结果展示
        6.5.4  前端界面
      本章小结
      习题
    第7章  嵌入式机器视觉系统开发
      7.1  边缘计算
      7.2  嵌入式机器视觉开发板
        7.2.1  EAIDK系列开发板
        7.2.2  Atlas开发板
        7.2.3  Jetson开发板
      7.3  MobileNet
        7.3.1  深度可分离卷积
        7.3.2  通道因子与分辨率因子
      7.4  SSD算法
      7.5  嵌入式机器视觉系统开发的过程
        7.5.1  数据收集
        7.5.2  数据标注
        7.5.3  模型训练
        7.5.4  模型转换
        7.5.5  模型部署
      本章小结
      习题
    第8章  工业数字图像处理相关工具和平台
      8.1  OpenCV
        8.1.1  OpenCV简介
        8.1.2  OpenCV代码实例
      8.2  PyTorch
        8.2.1  数据
        8.2.2  数据操作
        8.2.3  梯度计算
        8.2.4  图像卷积
        8.2.5  基于LeNet5网络实现对磨粒图谱分类
      8.3  MindSpore
      本章小结
      习题
    附录  实验
      实验1:基于传统图像处理方法的边缘检测
      实验2:基于传统图像处理方法的图像分割

      实验3:基于深度学习的图像分类
      实验4:基于深度学习的目标检测
    参考文献