深度学习在数字图像处理中的应用

深度学习凭借其在识别应用领域中超高的预测准确率，在图像处理领域获得了极大关注，这势必将提升现有图像处理系统的性能并开创新的应用领域。利用卷积神经网络等深层神经网络的解决方案，可以逐渐取代基于算法可解释的传统图像处理工作。尽管图像预处理、后期处理和信号处理仍在大量采用现有方法，但在图像分类应用中，深度学习变得愈加重要。在该背景下，本书系统介绍了深度学习在数字图像处理各个研究分支的应用，包括图像增强、图像复原、图像检索、图像压缩、图像分割、目标检测、动作识别和图像配准等。每一部分都对传统方法做了概述，并穿插介绍本书作者的研究成果，反映了深度学习在数字图像处理各个研究分支的发展现状。本书可作为高等院校具有一定计算机基础的人工智能、自动化、信号与信息处理、电子信息工程、计算机科学与技术、通信工程等专业的研究生或高年级本科生的教材或参考书，也可作为科研院所相关专业的科技工作者的参考书。

第1章 数字图像处理概述
1.1 数字图像的基本概念
1.1.1 数字图像
1.1.2 获取静态数字图像的方式
1.1.3 色彩及色彩模型
1.2 数字图像的获取与描述
1.2.1 图像数字化
1.2.2 图像灰度直方图
1.2.3 图像处理算法的形式
1.2.4 图像的数据结构与特征
1.3 数字图像处理的研究内容和应用领域
1.3.1 数字图像处理的基本流程
1.3.2 数字图像处理的研究分支
1.3.3 传统数字图像处理常用的理论工具
1.3.4 数字图像处理的应用领域
参考文献
第2章 深度学习概述
2.1 深度学习的概念
2.1.1 深度学习的历史背景
2.1.2 深度学习的基本思想
2.1.3 深度学习的本质和优势
2.2 国内外研究现状
2.2.1 深度学习在语音识别领域的研究现状
2.2.2 深度学习在图像识别领域的研究现状
2.2.3 深度学习在自然语言处理领域的研究现状
2.3 深度学习典型模型结构和训练算法
2.3.1 感知机
2.3.2 前馈神经网络之多层感知机
2.3.3 前馈神经网络之卷积神经网络
2.3.4 反馈深度网络
2.3.5 双向深度网络
2.3.6 深度学习训练算法
2.4 深度学习的优点和已有的应用
2.4.1 深度学习的优点
2.4.2 深度学习已有的典型应用
2.5 深度学习存在的问题及未来研究方向
2.5.1 深度学习目前存在的问题
2.5.2 深度学习未来研究方向
参考文献
第3章 基于深度学习的图像增强与图像恢复
3.1 图像去噪
3.1.1 传统图像去噪方法概述
3.1.2 基于DnCNN的图像去噪
3.1.3 基于CBDNet的图像去噪
3.2 图像去雾
3.2.1 传统图像去雾方法概述
3.2.2 基于DehazeNet的图像去雾
3.2.3 基于EPDN的图像去雾
3.2.4 基于PMS-Net的图像去雾
3.3 图像去模糊
3.3.1 传统图像去模糊方法概述
3.3.2 基于ResBlock的图像去模糊
3.3.3 基于DAVANet的图像去模糊
3.4 图像增强
3.4.1 传统图像增强方法概述
3.4.2 基于Deep Bilateral Learning的图像增强
3.4.3 基于Deep Photo Enhancer的图像增强
3.4.4 基于Deep Illumination Estimation的图像增强
参考文献
第4章 基于深度学习的图像检索
4.1 图像检索的研究背景和研究现状
4.1.1 图像检索的研究背景
4.1.2 为什么要引入深度学习
4.1.3 图像检索的研究现状
4.2 图像特征和相似性度量
4.2.1 原始数据层特征
4.2.2 物理层特征
4.2.3 语义层特征
4.2.4 图像相似性度量
4.3 基于内容的图像检索
4.3.1 基于颜色特征的图像检索
4.3.2 基于纹理特征的图像检索
4.3.3 基于形状特征的图像检索
4.3.4 基于多特征的图像检索
4.3.5 基于视觉词袋的图像检索
4.4 基于注意力机制和卷积神经网络的图像检索
4.4.1 注意力机制简介
4.4.2 图像检索中的注意力机制
4.4.3 基于注意力机制和卷积神经网络模型的图像检索
4.4.4 实验结果
4.5 基于深度信念网络的人脸图像检索
4.5.1 局部二值模式
4.5.2 DBN训练模型
4.5.3 融合LBP算子与DBN网络模型的图像检索
4.5.4 实验结果
参考文献
第5章 基于深度学习的图像压缩
5.1 图像压缩概述
5.1.1 图像压缩的目的和意义
5.1.2 传统图像压缩的方法分类和简介
5.1.3 为什么要引入深度学习
5.1.4 基于深度学习的图像压缩技术现状
5.2 基于矢量量化的图像压缩方法
5.2.1 基于矢量量化的图像压缩概述
5.2.2 基于边缘分类和范数排序的K-means算法的码书设计
5.2.3 基于特征分类和分组初始化的改进K-means算法的码书设计
5.3 基于深度学习的图像压缩方法
5.3.1 基于卷积神经网络的图像压缩方法概述
5.3.2 基于循环神经网络的图像压缩方法概述
5.3.3 基于生成对抗网络的图像压缩方法概述
5.3.4 结合卷积神经网络和传统方法的图像压缩
5.3.5 实验结果与分析
参考文献
第6章 基于深度学习的图像分割
6.1 图像分割概述
6.1.1 图像分割的目的和意义
6.1.2 传统图像分割方法分类
6.1.3 典型传统图像分割方法简介
6.1.4 为什么引入深度学习
6.2 复杂背景下毛坯轮毂图像分割及圆心准确定位
6.2.1 引言
6.2.2 基于超像素能量谱的轮毂分割
6.2.3 准确圆拟合算法
6.2.4 圆拟合结果分析
6.3 基于深度学习的图像分割概述
6.3.1 研究现状
6.3.2 几种典型实现方案
6.3.3 基于全卷积神经网络的图像分割实验结果
6.4 基于深度生成对抗网络的超声图像分割
6.4.1 引言
6.4.2 相关工作
6.4.3 基于深度生成对抗网络的臂丛分割
6.4.4 实验
参考文献
……