基于深度学习的底层计算机视觉算法的研究与实现PDF电子书下载

查看更多关于的内容

第1章 概述 1

第2章 基于深度学习的图像滤波算法的研究与实现 4

2.1课题背景和任务 4

2.2相关技术介绍 6

2.2.1卷积神经网络 6

2.2.2引导滤波 8

2.2.3深度联合上采样 9

2.2.4结果评价指标介绍 10

2.3模型搭建 11

2.3.1模型结构分析 11

2.3.2利用PyTorch开源框架搭建网络模型 14

2.4数据收集与处理 14

2.4.1 RGB/NIR数据集 14

2.4.2 RGB/Depth数据集 17

2.5模型训练 18

2.5.1数据预处理 18

2.5.2深度联合滤波模型的训练 19

2.6实验结果 20

2.6.1 RGB/NIR降噪任务 20

2.6.2 RGB/Depth深度图上采样任务 22

本章参考文献 24

第3章 基于深度学习的图像修饰算法的研究与实现 26

3.1课题背景和国内外研究现状 26

3.2相关技术介绍 29

3.2.1基于深度学习的图像特征提取 29

3.2.2图像的颜色空间 33

3.3算法分析 34

3.3.1直方图分布 34

3.3.2回归问题 37

3.4算法与模型实现 37

3.4.1网络整体结构 37

3.4.2特征提取模块 38

3.4.3节点推断模块 39

3.4.4图像修饰模块 39

3.4.5数据集与预处理 40

3.4.6损失函数 42

3.5实验与分析 42

3.5.1评价指标 42

3.5.2模型验证 44

3.5.3对比实验 46

3.5.4消融实验 48

3.5.5拓展实验 50

本章参考文献 52

第4章 基于深度学习的图像超分辨算法的研究与实现 55

4.1课题背景和研究现状与发展趋势 55

4.2相关技术介绍 57

4.2.1图像处理技术 57

4.2.2超分辨 58

4.2.3深度学习 59

4.3基于SRGAN的单幅图像超分辨算法的设计与实现 59

4.3.1生成对抗网络 59

4.3.2感知损失 63

4.3.3算法流程描述 64

4.3.4实验分析与结论 66

4.4基于SRCNN的单幅图像超分辨算法的设计与实现 69

4.4.1卷积神经网络 69

4.4.2颜色空间 73

4.4.3算法流程描述 74

4.4.4实验分析与结论 75

4.5基于VDSR的单幅图像超分辨算法的设计与实现 75

4.5.1基于SRCNN的改进 76

4.5.2算法流程描述 76

4.5.3实验分析与结论 77

本章参考文献 79

第5章 基于深度学习的多幅图像超分辨算法的研究与实现 81

5.1课题背景与本章内容概述 81

5.2相关技术介绍 85

5.2.1分辨率 85

5.2.2图像降质退化模型 86

5.2.3插值 86

5.2.4重建图像的质量评估 87

5.3算法模块及网络结构设计 88

5.3.1动态上采样滤波器 89

5.3.2残差学习 90

5.3.3网络结构设计 90

5.4算法具体实现 90

5.4.1实验环境 90

5.4.2数据集 91

5.4.3训练 91

5.5实验结果分析及比较 93

5.5.1对比模型简介 93

5.5.2实验结果分析 94

5.5.3实验结果比较 95

5.5.4实验结果总结 96

本章参考文献 97

第6章 基于深度学习的图像立体匹配算法的研究与实现 99

6.1课题背景与任务 99

6.2立体匹配相关技术介绍 100

6.3模型的总体设计 102

6.3.1深度学习模型结构设计 103

6.3.2模型各模块搭建以及具体功能 104

6.4 GC-NET网络模型的详细构造和实现 104

6.5数据集获取和模型训练 107

6.6模型测试 108

本章参考文献 110

第7章 基于深度学习的光流算法的研究与实现 113

7.1课题背景与任务 113

7.2经典光流算法以及相关图像处理技术 115

7.2.1光流算法的主要发展历程 115

7.2.2早期经典方法及光流算法的基本假设 116

7.2.3用深度学习的方法求解光流 118

7.2.4其他主要技术 121

7.2.5图像处理的相关技术 121

7.3本章模型与端到端模型的区别 122

7.3.1端到端模型的一般结构 122

7.3.2使用特征金字塔的模型 123

7.3.3使用相似度金字塔的模型 125

7.3.4三种模型的对比 127

7.4实验与性能评测 128

7.4.1训练评测模型使用的数据集 128

7.4.2光流估计的误差定义 130

7.4.3本章模型在不同数据集上的实验结果 131

7.4.4实验结果详细情况 131

本章参考文献 132

第8章 基于深度学习的图像去噪算法的研究与实现 134

8.1课题背景与国内外研究现状 134

8.2相关知识介绍 137

8.2.1图像降噪概述 137

8.2.2噪声的来源 137

8.2.3图像噪声的种类 137

8.2.4图像噪声的模型 138

8.2.5图像降噪算法的分类 138

8.2.6质量评价指标 139

8.3传统图像降噪算法 140

8.3.1 NLM算法 140

8.3.2 NLM算法降噪结果 141

8.3.3 BM3D算法 144

8.3.4 BM3D算法的降噪结果 146

8.4基于深度学习的图像降噪算法 149

8.4.1 DnCNN简介 149

8.4.2残差学习和批量标准化 149

8.4.3 DnCNN网络模型结构 151

8.4.4 DnCNN模型训练 152

8.4.5 DnCNN算法的降噪结果 152

8.5图像降噪结果与分析 153

8.5.1数据预处理 153

8.5.2降噪结果 153

8.5.3对比与分析 154

本章参考文献 154

第9章 基于深度学习的遥感图像物体识别算法的研究与实现 156

9.1课题背景与国内外研究现状 156

9.2相关技术介绍 159

9.2.1 R-CNN家族算法 159

9.2.2 YOLO家族算法 161

9.3数据集选择与预处理 162

9.3.1数据集选择及数据集简介 162

9.3.2数据预处理 163

9.4 Mask R-CNN算法 164

9.4.1 Mask R-CNN网络结构 164

9.4.2模型实现与调优 167

9.5 SOLO算法 168

9.5.1 SOLO网络结构 168

9.5.2模型实现与调优 171

9.6算法实验结果与分析 172

9.6.1 Mask R-CNN实验结果与分析 172

9.6.2 SOLO模型实验结果与分析 173

9.6.3模型融合 173

本章参考文献 175

第10章 基于深度学习的多摄图像着色算法的研究与实现 177

10.1课题背景、国内外研究现状与本章主要内容概述 177

10.2相关理论基础 180

10.2.1图像着色理论 180

10.2.2色彩空间选择 181

10.2.3自监督学习 181

10.2.4循环卷积神经网络 182

10.3基于深度学习的双摄图像着色算法 184

10.3.1算法概述 184

10.3.2算法设计 185

10.4实验结果分析 189

10.4.1数据集与实验平台 189

10.4.2数据预处理 191

10.4.3实验流程 192

10.4.4算法测试流程 192

10.4.5实验结果分析 193

本章参考文献 194

第11章 基于深度学习的多摄图像高动态范围成像算法的研究与实现 196

11.1课题背景与任务 196

11.2相关技术介绍 197

11.2.1高动态范围成像 197

11.2.2色调映射 197

11.2.3多摄像头系统 198

11.2.4深度学习 198

11.3经典高动态范围图像生成算法的研究与实现 199

11.3.1经典算法调研 199

11.3.2 HdrPlus算法细节 200

11.3.3 HdrPlus算法实现 204

11.4基于深度学习的高动态范围图像生成算法的研究与实现 205

11.4.1深度学习方法在高动态范围成像领域的应用调研 205

11.4.2基于深度学习的高动态范围图像生成算法细节 206

11.4.3深度学习框架的选择 209

11.4.4基于深度学习的高动态范围图像生成算法的实现 209

11.5实验与结果分析 210

11.5.1评价指标 210

11.5.2 HdrPlus实验结果 210

11.5.3基于深度学习的高动态范围图像生成算法的实验 212

11.5.4结果对比及分析 215

本章参考文献 215

查看更多关于的内容