- 基于Python的深度学习图像处理(新一代信息技术系列教材)
- - 作者：编者:易诗//钟晓玲|责编:王玉鑫//周海越
  - 出版社：机械工业
  - ISBN：9787111757450
  - 出版日期：2024/07/01
  - 页数：193
- 售价：18

内容大纲
    本书是一本具有实践导向性的教材，主要面向信息工程专业的学生和从事图像处理的读者。本书以图像处理技术为主线，介绍了深度学习在图像处理中的理论和应用。
    本书的核心内容涵盖了深度学习的各个层面，包括设计卷积神经网络的基础知识、低阶和高阶图像处理任务的实现等。这些内容不仅包含理论介绍，还包括大量的实例代码，使用Python语言及当前流行的深度学习环境，帮助读者理解和实践深度学习在图像处理中的应用。在低阶图像处理任务部分，本书详细介绍了图像去噪、去模糊、增强和超分辨率重建等任务。在高阶图像处理任务部分，读者将学习到如何使用深度学习方法进行图像分类、目标检测、语义分割和实例分割等。
    本书旨在通过理论介绍与实践案例相结合的方式，帮助读者更好地理解并掌握深度学习在图像处理领域的应用，是一本理论与实践并重、实用性强的教材。
作者介绍
目录
前言
第1章  数字图像处理概述
  1.1  数字图像处理的基本概念
  1.2  数字图像处理系统的组成
  1.3  数字图像处理的应用
  1.4  数字图像处理任务的层次划分
  本章总结
  习题
第2章  Python语言编程基础
  2.1  Python语言简介
  2.2  Python语言的基本语法
    2.2.1  Python语言的基本编程语法
    2.2.2  Python语言的基本流程控制
    2.2.3  Python语言的内置库和函数
    2.2.4  Python语言的面向对象
    2.2.5  Python语言的异常处理
    2.2.6  Python语言的IO处理
  2.3  Python-OpenCV的应用
    2.3.1  Python-OpenCV简介
    2.3.2  Python-OpenCV的基本图像处理操作
  本章总结
  习题
第3章  深度学习图像处理技术基础
  3.1  深度学习的基本概念
  3.2  卷积神经网络的基本构成及Python实现
    3.2.1  卷积神经网络的基本构成
    3.2.2  几种典型的卷积神经网络
    3.2.3  卷积神经网络的训练与测试
  3.3  深度学习图像处理平台搭建
  3.4  实例：基于深度学习的手写数字识别
  本章总结
  习题
第4章  基于深度学习的图像去噪
  4.1  图像去噪概述
  4.2  基于深度学习的图像去噪网络的发展
  4.3  实例：基于深度学习的图像去噪网络FFDNet
    4.3.1  FFDNet简介
    4.3.2  FFDNet的结构与工作原理
    4.3.3  FFDNet的训练与测试
    4.3.4  FFDNet图像去噪测试结果分析
  本章总结
  习题
第5章  基于深度学习的图像去模糊
  5.1  图像去模糊概述
  5.2  基于深度学习的图像去模糊的发展
  5.3  实例：基于深度学习的图像去模糊网络DeblurGAN-v
    5.3.1  DeblurGAN-v2简介
    5.3.2  DeblurGAN-v2的结构与工作原理
    5.3.3  DeblurGAN-v2的训练与测试
    5.3.4  DeblurGAN-v2图像去模糊测试结果分析

  本章总结
  习题
第6章  基于深度学习的图像增强
  6.1  图像增强概述
    6.1.1  频率域法
    6.1.2  空间域法
    6.1.3  基于深度学习的图像增强法
  6.2  基于深度学习的图像增强的发展
  6.3  实例：基于深度学习的图像增强网络RetinexNet
    6.3.1  RetinexNet简介
    6.3.2  RetinexNet的结构与工作原理
    6.3.3  FFDNet的训练与测试
    6.3.4  RetinexNet图像增强测试结果分析
  本章总结
  习题
第7章  基于深度学习的图像超分辨率重建
  7.1  图像超分辨率重建概述
  7.2  基于深度学习的图像超分辨率重建网络的发展
  7.3  实例：基于深度学习的图像超分辨率重建网络ESRGAN
    7.3.1  ESRGAN简介
    7.3.2  ESRGAN的结构与工作原理
    7.3.3  ESRGAN的训练与测试
    7.3.4  ESRGAN图像超分辨率重建结果分析
  本章总结
  习题
第8章  基于深度学习的图像识别
  8.1  图像识别概述
  8.2  基于深度学习的图像识别的发展
  8.3  实例：基于深度学习的图像识别网络CNN
    8.3.1  CNN简介
    8.3.2  CNN的结构与工作原理
    8.3.3  CNN的训练与测试
    8.3.4  CNN图像识别测试结果分析
  本章总结
  习题
第9章  基于深度学习的目标检测
  9.1  目标检测概述
  9.2  基于深度学习的目标检测网络的发展
    9.2.1  两阶段检测的发展
    9.2.2  单阶段检测的发展
    9.2.3  深度学习目标检测数据集的发展
  9.3  实例：基于深度学习的目标检测网络YOLOv
    9.3.1  YOLOv4简介
    9.3.2  YOLOv4的结构与工作原理
    9.3.3  YOLOv4的训练与测试
    9.3.4  YOLOv4目标检测测试结果分析
  本章总结
  习题
第10章  基于深度学习的图像分割
  10.1  图像分割概述

    10.1.1  语义分割概述
    10.1.2  实例分割概述
  10.2  基于深度学习的图像分割网络的发展
    10.2.1  语义分割网络的发展
    10.2.2  图像语义分割数据集
    10.2.3  实例分割网络的发展
    10.2.4  图像实例分割数据集
    10.2.5  图像语义分割性能评估指标
  10.3  实例：基于深度学习的图像分割网络DeepLabV3+、Mask R-CNN
    10.3.1  DeepLabV3+简介
    10.3.2  DeepLabV3+的结构与工作原理
    10.3.3  DeepLabV3+网络的训练与测试
    10.3.4  DeepLabV3+语义分割测试结果分析
    10.3.5  Mask R-CNN简介
    10.3.6  Mask R-CNN的结构与工作原理
    10.3.7  Mask R-CNN的训练与测试
    10.3.8  Mask R-CNN实例分割测试结果分析
  本章总结
  习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目