计算机视觉之PYTORCH数字图像处理

1星价 ¥63.8 (8.0折)

2星价￥63.8 定价￥79.8

作者：侯伟著

出版社：清华大学出版社

本类榜单：计算机/网络

分类：计算机/网络 > 图形图像多媒体

暂无评论

图文详情

ISBN：9787302671985
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：其他
页数：256
出版时间：2024-09-01
条形码：9787302671985 ; 978-7-302-67198-5

本书特色

全面总结作者多年数字图像处理算法的研究心得和实践经验。带领读者系统掌握数字图像处理的相关理论知识和实际应用。深入剖析张量运算方法在数字图像处理中的应用。详解梯度下降算法的完整流程，并将其应用于模型优化中。详解数据集的构建以及模型的训练和部署等核心知识。详解图像分类、图像分割和目标检测三大核心任务。提供教学视频、程序源代码和教学PPT等配套资源。内容丰富：不但介绍PyTorch的基础知识和数字图像处理的相关理论，而且从张量的维度详解经典数字图像处理算法，并从深度学习的维度详解图像分类、图像分割和图像检测三大核心任务。学习门槛低：从计算机视觉和数字图像的基本概念开始讲解，继而介绍开发环境的搭建、Python基础知识和PyTorch基础知识等，不需要读者有太多基础知识即可快速入门。理论结合实践：不但对数字图像处理的主流算法理论进行系统讲解，而且在此基础上结合丰富的实战案例，用PyTorch深度学习框架进行应用实践。图文并茂：结合多幅示意图讲解相关知识点，让抽象的知识变得加直观和易于理解，从而帮助读者高效学习。实用性强：结合大量真实的图像处理案例进行讲解，读者只需要对书中的案例源代码进行少量的改动，即可将其应用于自己的图像处理工作中。配套资源丰富：提供高清教学视频、程序源代码和教学PPT等配套资源，便于读者高效、直观地学习，从而取得好的学习效果。

内容简介

"《计算机视觉之PyTorch数字图像处理》以数字图像处理为主题，在详细介绍数字图像处理主流算法的基础上，配合丰富的实战案例，用PyTorch深度学习框架对相关算法进行应用实践。本书一方面从张量的维度对经典数字图像处理算法进行详细的介绍，另一方面从深度学习的维度对图像分类、图像分割和图像检测进行细致的讲解，从而帮助读者较为系统地掌握数字图像处理的相关理论知识和实际应用。《计算机视觉之PyTorch数字图像处理》分为3篇，共11章。第1篇图像处理基础知识，包括计算机视觉与数字图像概述、搭建开发环境和Python编程基础；第2篇基于经典方法的图像处理，包括图像处理基础知识、图像的基础特征、自动梯度与神经网络、数据准备与图像预处理；第3篇基于深度学习的图像处理，包括图像分类、图像分割、目标检测和模型部署。《计算机视觉之PyTorch数字图像处理》内容丰富，讲解由浅入深、案例丰富、实用性强，特别适合数字图像处理的入门与进阶人员阅读，也适合数字图像处理的从业人员与研究人员阅读，还可作为高等院校数字图像处理相关课程的教材。"

第1篇图像处理基础知识第1章计算机视觉与数字图像概述 1.1 计算机视觉简介 1.1.1 人类视觉简介 1.1.2 计算机视觉简介 1.2 数字图像简介 1.2.1 图像的概念 1.2.2 数字图像的概念 1.2.3 数字图像的类型 1.3 数字图像的存储 1.4 数字图像的处理 1.4.1 数字图像处理简介 1.4.2 数字图像处理的发展 1.4.3 数字图像处理的内容 1.5 PyTorch框架与图像处理 1.6 小结 1.7 习题第2章搭建开发环境 2.1 Python简介 2.1.1 Python的发展历程 2.1.2 下载Python安装包 2.1.3 安装Python 2.1.4 执行Python程序 2.2 CUDA简介 2.2.1 CUDA的发展历程 2.2.2 安装CUDA 2.3 Python第三方库简介 2.3.1 检索Python第三方库 2.3.2 安装Python第三方库 2.3.3 孑图像处理相关的第三方库 2.4 安装PyTorch 2.5 安装可视化工具Visdom 2.6 安装集成开发环境Spyder 2.7 小结 2.8 习题第3章 Python编程基础 3.1 Python语法基础知识 3.1.1 数据类型与类 3.1.2 流程控制 3.1.3 函数 3.1.4 类与对象 3.1.5 标准库 3.1.6 第三方库 3.2 PyTorch基础知识 3.2.1 张量的创建 3.2.2 张量的运算 3.2.3 卷积及局部邻域的运算 3.2.4 张量的变换 3.3 Visdom基础知识 3.3.1 图像的绘制 3.3.2 图表的绘制 3.4 小结 3.5 习题第2篇基于经典方法的图像处理第4章图像处理基础知识 4.1 图像与张量的互操作 4.2 图像的点运算 4.2.1 图像增强 4.2.2 图像颜色空间变换 4.2.3 灰度图像的亮度变换 4.2.4 简单图像二值化 4.2.5 图像蒙版处理 4.2.6 图像的混合 4.3 图像的邻域运算 4.3.1 图像邻域的生成 4.3.2 图像的滤波去噪 4.3.3 图像的形态学运算 4.3.4 局部二值模式 4.3.5 局部值指数 4.4 图像的全局运算 4.4.1 图像的简单旋转与翻转 4.4.2 图像的缩放 4.4.3 图像的裁切 4.4.4 图像直方图均衡化 4.5 小结 4.6 习题第5章图像的基础特征 5.1 图像的特征点 5.1.1 特征点简介 5.1.2 Harris角点 5.1.3 提取Harris角点 5.2 图像的线特征 5.2.1 Roberts算子 5.2.2 Prewitt算子 5.2.3 Sobel算子 5.2.4 Scharr算子 5.2.5 Lap1acian算子 5.3 图像的面特征 5.3.1 群均值聚类 5.3.2 SL1C算法 5.4 小结 5.5 习题第6章自动梯度与神经网络 6.1 自动梯度 6.1.1 梯度下降与函数极小值求解 6.1.2 自动梯度计算 6.1.3 自动梯度拟合多项式函数 6.2 模块 6.3 激活函数 6.4 损失函数 6.5 优化器 6.6 全连接神经网络 6.7 小结 6.8 习题第7章数据准备与图像预处理 7.1 Torchvision库简介 7.2 构建数据集 7.3 数据变换与增强 7.3.1 PIL图像和张量的共同变换 7.3.2 基于张量的变换 7.3.3 自定义数据的变换和增强 7.4 小结 7.5 习题第3篇基于深度学习的图像处理第8章图像分类 8.1 图像分类与卷积神经网络 8.1.1 图像分类及其进展 8.1.2 预训练模型的使用 8.2 经典的卷积神经网络 8.2.1 VGGNet模型 8.2.2 ResNet模型 8.3 卷积神经网络的训练与评估 8.4 迁移学习简介 8.5 小结 8.6 习题第9章图像分割 9.1 图像分割与卷积神经网络 9.2 分割数据集 9.3 FCN分割模型 9.4 UNet分割模型 9.5 分割网络的训练与评估 9.5.1 损失函数 9.5.2 优化器 9.5.3 评价指标 9.6 分割网络实践 9.7 小结 9.8 习题 0章目标检测 10.1 目标检测与卷积神经网络 10.1.1 目标检测的常用术语 10.1.2 目标检测的类型 10.2 预训练网络的使用 10.2.1 Torchvision的预训练模型 10.2.2 YOLOv5的预训练模型 10.3 FCOS模型及其训练 10.3.1 FCOS模型简介 10.3.2 数据集的构建 10.3.3 模型的训练和预测 10.4 YOLOv5模型及其训练 10.4.1 数据集的构建 10.4.2 模型的构建 10.4.3 模型的训练和预测 10.5 小结 10.6 习题 1章模型部署 11.1 模型部署简介 11.2

展开全部