圖像畫質演算法與底層視覺技術 賈壯 9787121478765 【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：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$884
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：202407*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：圖像畫質演算法與底層視覺技術 ISBN：9787121478765 出版社：電子工業 著編譯者：賈壯 頁數：391 所在地：中國大陸 *此為代購商品 書號：1642261 可大量預訂，請先連絡。 內容簡介 本書主要介紹了圖像畫質相關的各類底層視覺任務及其相關演算法，重點講解了去噪、超解析度、去霧、高動態範圍、圖像合成與圖像和諧化、圖像增強與圖像修飾等多種類型的基礎任務的設定及其對應的經典演算法和模型。本書討論了底層視覺任務的基本特徵，並從成像過程及圖像處理的基礎知識出發，系統分析了不同任務下的退化機制，以及對應的演算法設計原則。本書在演算法選擇上兼顧了經典的傳統圖像演算法及當前較新的人工智慧模型演算法，可以作為從圖像處理領域或者深度學習領域進入底層計算機視覺領域進行學習的讀者的基礎讀物。 本書主要面向的讀者群體包括深度學習與計算機視覺行業的從業人員，計算機、人工智慧及其相關專業方向的學生，圖像處理相關技術的愛好者與學習者。作者簡介 賈壯，畢業於清華大學自動化系，專業為模式識別與智能系統方向。主要從事於機器學習與深度學習在圖像處理以及地球物理領域內的相關應用研究，對機器學習相關演算法有較深的理解。參与過多項機器學習相關工程項目，發表SCI期刊論文及會議論文數篇。曾獲得國家獎學金、數學建模一等獎、優秀畢業生等獎項和榮譽稱號。目錄 第1章 畫質演算法與底層視覺概述1 1 畫質演算法的主要任務 1 1 1 畫質演算法定義及其主要類別 1 1 2 畫質問題的核心：退化 1 2 基於深度學習的底層視覺技術 1 2 1 深度學習與神經網路 1 2 2 底層視覺任務的特點 第2章 畫質處理的基礎知識 2 1 光照與成像 2 1 1 視覺與光學成像 2 1 2 Bayer陣列與去馬賽克 2 1 3 相機圖像信號處理的基本流程 2 2 色彩與顏色空間 2 2 1 人眼色覺與色度圖 2 2 2 常見的顏色空間 2 3 圖像的影調調整方法 2 3 1 直方圖與對比度 2 3 2 對比度拉伸與直方圖均衡 2 3 3 對比度增強演算法的改進策略 2 4 圖像常見的空間操作 2 4 1 基本圖像變換：仿射變換與透視變換 2 4 2 光流與幀間對齊 2 5 圖像的頻域分析與圖像金字塔 2 5 1 傅里葉變換與頻域分析 2 5 2 自然圖像的頻域統計特性 2 5 3 圖像金字塔：高斯金字塔與拉普拉斯金字塔 第3章 圖像與視頻去噪演算法 3 1 雜訊的來源與數學模型 3 1 1 圖像雜訊的物理來源 3 1 2 雜訊的數學模型 3 2 去噪演算法的難點與策略 3 2 1 去噪演算法的難點 3 2 2 盲去噪與非盲去噪 3 2 3 高斯去噪與真實雜訊去噪 3 2 4 去噪演算法的評價指標 3 3 傳統去噪演算法 3 3 1 空域濾波：均值、高斯與中值濾波器 3 3 2 非局部均值演算法 3 3 3 小波變換去噪演算法 3 3 4 雙邊濾波與導向濾波 3 3 5 BM3D濾波演算法 3 4 深度學習去噪演算法 3 4 1 深度殘差去噪網路DnCNN和FFDNet 3 4 2 雜訊估計網路去噪：CBDNet 3 4 3 小波變換與神經網路的結合：MWCNN 3 4 4 視頻去噪：DVDNet和FastDVDNet 3 4 5 基於Transformer的去噪方法：IPT與SwinIR 3 4 6 自監督去噪演算法：Noise2Noise、Noise2Void與DIP 3 4 7 Raw域去噪策略與演算法：Unprocess與CycleISP 第4章 圖像與視頻超解析度 4 1 超解析度任務概述 4 1 1 解析度與超解析度任務 4 1 2 超解析度的任務設定與特點 4 1 3 超解析度的評價指標 4 2 超解析度的傳統演算法 4 2 1 上採樣插值演算法與圖像銳化處理 4 2 2 基於自相似性的超解析度 4 2 3 基於稀疏編碼的超解析度 4 3 經典深度學習超解析度演算法 4 3 1 神經網路超解析度開端：SRCNN和FSRCNN 4 3 2 無參的高效上採樣：ESPCN 4 3 3 無BN層的殘差網路：EDSR 4 3 4 殘差稠密網路 4 3 5 針對視覺畫質的優化：SRGAN與ESRGAN 4 3 6 注意力機制超解析度網路：RCAN 4 3 7 盲超解析度中的退化估計：ZSSR與KernelGAN 4 4 真實世界的超解析度模型 4 4 1 複雜退化模擬：BSRGAN與Real-ESRGAN 4 4 2 圖像域遷移：CycleGAN類網路與無監督超解析度 4 4 3 擴散模型的真實世界超解析度：StableSR 4 5 超解析度模型的輕量化 4 5 1 多分支信息蒸餾：IMDN與RFDN 4 5 2 重參數化策略：ECBSR 4 5 3 消除特徵冗餘：GhostSR 4 5 4 單層極輕量化模型：edgeSR 4 6 視頻超解析度模型簡介 4 6 1 視頻超解析度的特點 4 6 2 BasicVSR、BasicVSR++與RealBasicVSR 4 7 超解析度模型的優化策略 4 7 1 基於分頻分區域處理的模型設計 4 7 2 針對細節紋理的恢復策略 4 7 3 可控可解釋的畫質恢復與超解析度 第5章 圖像去霧 5 1 圖像去霧任務概述 5 1 1 有霧圖像的形成與影響 5 1 2 有霧圖像的退化：大氣散射模型 5 1 3 去霧演算法的主要思路 5 2 基於物理模型的去霧演算法 5 2 1 基於反照係數分解的Fattal去霧演算法 5 2 2 暗通道先驗去霧演算法 5 2 3 顏色衰減先驗去霧演算法 5 3 深度學習去霧演算法 5 3 1 端到端的透射圖估計：DehazeNet 5 3 2 輕量級去霧網路模型：AOD-Net 5 3 3 基於GAN的去霧模型：Dehaze cGAN和Cycle-Dehaze 5 3 4 金字塔稠密連接網路：DCPDN 5 3 5 特徵融合注意力去霧模型：FFA-Net 第6章 圖像高動態範圍 6 1 圖像HDR任務簡介 6 1 1 動態範圍的概念 6 1 2 HDR任務分類與關鍵問題 6 2 傳統HDR相關演算法 6 2 1 多曝融合演算法 6 2 2 局部拉普拉斯濾波演算法 6 2 3 Reinhard攝影色調重建演算法 6 2 4 快速雙邊濾波色調映射演算法 6 3 基於神經網路模型的HDR演算法 6 3 1 網路模型的訓練目標：MEF-SSIM 6 3 2 端到端多曝融合演算法：DeepFuse 6 3 3 多曝權重的網路計算：MEF-Net 6 3 4 注意力機制HDR網路：AHDRNet 6 3 5 單圖動態範圍擴展：ExpandNet 第7章 圖像合成與圖像和諧化 7 1 圖像合成任務簡介 7 2 經典圖像合成演算法 7 2 1 alpha通道混合演算法 7 2 2 多尺度融合 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。 |
