新書推薦：
《
从领口开始编织的钩针毛衫
》
售價：NT$
301.0
《
日中之光——埃瓦格里乌斯笔下5—6世纪的拜占庭帝国
》
售價：NT$
500.0
《
占领日本（最新修订）
》
售價：NT$
301.0
《
唐勾检制研究
》
售價：NT$
296.0
《
俄罗斯通史（公元9世纪—1917年）
》
售價：NT$
500.0
《
被争夺的身体：魏玛德国的生育制度
》
售價：NT$
449.0
《
热烈的孤独：大宋词人的明月与江湖
》
售價：NT$
356.0
《
抗衰营养全书
》
售價：NT$
398.0
|
| 內容簡介： |
|
图像处理理论近年来发展迅速，从稀疏表示理论到基于张量表示和深度学习的图像处理方法不断涌现，并且这些全新的图像处理方法已经应用在手机、视频监控、遥感数据处理中心等平台上。《现代图像处理理论》以彩色图像、多/高光谱遥感数据、视频数据、偏振时序图像数据为研究对象，总结以张量表示方法和深度学习方法为核心的图像处理理论的昀新进展，并从工程应用的角度介绍如何利用张量表示方法和深度学习方法解决多/高光谱遥感数据、视频数据、偏振时序图像数据的处理问题。
|
| 目錄：
|
|
目录“信息科学技术学术著作丛书”序前言第1章 图像处理基础理论 11.1 图像的分类 21.2 图像去马赛克 41.2.1 滤色片阵列 41.2.2 图像去马赛克流程 51.2.3 RGB彩色图像去马赛克算法 .61.3 图像去噪 111.3.1 图像空域去噪算法 131.3.2 图像频域去噪算法 191.4 图像超分辨重建技术. 231.4.1 图像降采样模型 231.4.2 超分辨重建数学模型 241.4.3 基于插值的图像超分辨重建方法 281.4.4 基于重构的图像超分辨重建方法 311.5 图像融合 341.5.1 跨模态图像融合算法 341.5.2 灰度图像融合算法 371.5.3 彩色图像融合算法 43参考文献 47第2章 图像先验 482.1 张量先验 482.1.1 张量基本运算 502.1.2 张量分解 532.2 稀疏先验 552.2.1 稀疏表示原理 552.2.2 稀疏表示技术的分类 572.2.3 不同范数正则化的稀疏表示问题 582.3 全变分先验 622.3.1 二维全变分 622.3.2 三维全变分 632.4 低秩先验 652.4.1 矩阵低秩 652.4.2 张量低秩 68参考文献 72第3章 基于深度学习的图像处理 743.1 深度学习基础概念 743.1.1 神经网络 743.1.2 梯度下降 763.1.3 反向传播 783.2 深度学习基本模块 793.2.1 归一化 793.2.2 激活函数 823.2.3 损失函数 843.2.4 正则化 853.2.5 丢弃法 853.2.6 数据增强 863.2.7 优化算法(随机梯度下降) 863.2.8 学习率调整 873.3 自监督图像去噪 893.3.1 自监督学习的概念和原理 903.3.2 自监督图像去噪的问题建模 913.3.3 自监督图像去噪的常用策略和技术 923.3.4 基于深度学习的自监督图像去噪方法 933.4 数据和物理联合驱动的图像重建 1013.4.1 数据和物理联合驱动的图像重建方法 1063.4.2 基于深度学习的图像超分辨重建损失函数 110参考文献 114第4章 基于张量结构的高维图像复原 1164.1 高光谱成像技术基础概念 1164.2 基于非局部低秩正则的图像去噪 1184.2.1 稀疏表示的去噪模型 1184.2.2 低秩正则的图像去噪模型 1194.2.3 张量分解的图像去噪模型 1204.2.4 非局部低秩正则高光谱图像去噪 1234.3 基于非凸张量秩*小化的高光谱图像压缩重建 1254.4 耦合张量分解高光谱-多光谱图像联合去噪与融合 1304.5 基于多层张量稀疏建模的高维图像补全 1364.5.1 因子梯度稀疏Tucker分解 1374.5.2 多层变换的张量结构稀疏表示 1404.5.3 基于因子子空间稀疏张量分解的张量补全模型 1454.6 张量深度先验与高维图像处理 1474.6.1 张量深度先验的图像融合模型 1474.6.2 张量深度先验网络架构 1494.7 无监督张量网络的图像融合 1504.7.1 无监督张量深度特征表示 1514.7.2 多源张量深度特征联合表示 1544.7.3 无监督张量图像融合网络 155参考文献 159
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
