靜脈圖像修復與增強 王軍 潘在宇 申政文 左慧園 9787030766427 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：科學
物品所在地：中國大陸
原出版社：科學
NT$566
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202311*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：靜脈圖像修復與增強 ISBN：9787030766427 出版社：科學 著編譯者：王軍 潘在宇 申政文 左慧園 頁數：124 所在地：中國大陸 *此為代購商品 書號：1598521 可大量預訂，請先連絡。 內容簡介 手部靜脈識別是一種新興的身份識別技術。與其他生物特徵識別相比，手部靜脈識別技術具有高安全性、活體檢測性和便利性等特性，也是目前最有效的生物特徵識別模式之一。本書主要闡述手部靜脈識別技術。首先介紹圖像修復與增強的研究意義、國內外靜脈圖像研究現狀，然後論述自製的靜脈圖像數據採集系統，針對靜脈圖像採集過程中存在諸多不可避免的因素，造成靜脈識別系統對靜脈信息表徵能力不足的問題，提出基於融合可變形模塊的U-Nct網路、基於非局部對抗的生成對抗網路、基於分離與表示的生成對抗網路的靜脈圖像修復方法，以及基於Actor-Critic、多尺度特徵融合、特徵解耦學習的低曝光靜脈圖像增強方法。 本書可供從事圖像處理、模式識別（尤其是生物特徵識別方向）研究的專業技術人員以及信息處理、計算機科學等專業的研究生參考。目錄 前言第1章 緒論 1 1 靜脈圖像修復與增強概述 1 2 靜脈圖像修復研究現狀 1 2 1 傳統的圖像修復方法 1 2 2 基於深度學習的圖像修復 1 2 3 靜脈血管圖像修復 1 3 靜脈圖像增強研究現狀 1 3 1 低曝光圖像增強研究現狀 1 3 2 靜脈圖像增強方法研究現狀 1 4 本書研究內容 1 4 1 主要研究工作 1 4 2 本書的章節安排 第2章 靜脈圖像數據集 2 1 靜脈圖像成像系統 2 1 1 成像光源系統 2 1 2 圖像採集系統 2 2 靜脈圖像數據集類型 2 2 1 自製靜脈圖像數據集 2 2 2 公開靜脈紋圖像數據集 2 2 3 低曝光手背靜脈圖像數據集 2 3 靜脈圖像預處理 2 4 本章小結 第3章 基於融合可變形模塊的U-Net網路的靜脈圖像修復 3 1 基於卷積神經網路的圖像修復 3 1 1 圖像風格轉換損失與圖像修復關係 3 1 2 U-Net網路 3 2 基於融合可變形模塊的U-Net桃型 3 2 1 可變形卷積網路模塊 3 2 2 生成網路 3 3 修復網路訓練損失 3 3 1 感知損失與風格損失 3 3 2 對抗損失 3 4 識別實驗與結果分析 3 5 本章小結 第4章 基於非局部對抗的生成對抗網路的靜脈圖像修復 4 1 生成對抗網路技術 4 1 1 生成對抗網路模型與框架 4 1 2 生成對抗網路的應用 4 2 基於非局部對抗的生成對抗網路模型 4 2 1 生成網路模型 4 2 2 空洞卷積 4 2 3 非局部網路模塊 4 3 修復網路訓練損失 4 3 1 對抗損失 4 3 2 感知損失 4 3 3 訓練總損失 4 4 識別實驗與結果分析 4 5 本章小結 第5章 基於分離與表示的生成對抗網路的靜脈圖像修復 5 1 圖像到圖像的轉換 5 1 1 成對圖像數據間的轉換 5 1 2 非成對圖像數據間的轉換 5 2 分離與表示的學習 5 2 1 分離與表示研究現狀 5 2 2 分離與表示應用 5 2 3 點與線的分離 5 3 修復網路訓練損失 5 3 1 對抗損失 5 3 2 循環一致性損失 5 3 3 感知損失 5 4 識別實驗與結果分析 5 5 本章小結 第6章 基於Actor-Critic的低曝光靜脈圖像增強 6 1 Actor-Critic框梨 6 2 基於Actor-Critic的靜脈圖像增強網路 6 2 1 可微圖像濾波器 6 2 2 靜脈圖像增強的Actor-Critic網路框架 6 2 3 靜脈圖像細節增強模塊 6 3 識別實驗與結果分析 6 3 1 模型訓練過程 6 3 2 多個濾波函數實驗 6 3 3 細節增強對比實驗 6 3 4 ACN演算法與其他模型的對比實驗 6 3 5 靜脈圖像識別率對比實驗 6 4 本章小結 第7章 基於多尺度特徵融合的低曝光靜脈圖像增強 7 1 多尺度特徵融合和通道注意力機制 7 1 1 多尺度特徵融合 7 1 2 通道注意力機制 7 2 殘差單元介紹 7 3 靜脈圖像多尺度特徵融合模型構建 7 3 1 靜脈多尺度融合殘差塊設計 7 3 2 多尺度融合模型的損失函數 7 4 識別實驗與結果分析 7 4 1 模型訓練過程 7 4 2 靜脈多尺度融合殘差塊數量實驗 7 4 3 注意力機制SE模塊對比實驗 7 4 4 與其他模型的對比實驗 7 4 5 靜脈圖像識別率對比實驗 7 5 本章小結 第8章 基於特徵解耦學習的低曝光靜脈圖像增強 8 1 自編碼網路與特徵解耦學習 8 1 1 自編碼網路 8 1 2 特徵解耦學習 8 2 基於特徵解耦學習的靜脈圖像增強網路 8 2 1 靜脈圖像背景與紋理特徵解耦網路 8 2 2 靜脈圖像增強網路 8 3 識別實驗與結果分析 8 3 1 實驗數據集和模型訓練過程 8 3 2 紋理特徵重建圖像對比實驗 8 3 3 與其他模型的對比實驗 8 3 4 靜脈圖像識別率對比實驗 8 4 本章小結 參考文獻 後記 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
