|
|
|
 |
组合商品（把光标放在图片上可查看产品名称） |
|
|
|
|
|
商品简介 |
|
编辑推荐
适读人群 ：本书的读者对象主要是从事信号与信息处理、通信工程、电子科学与技术、信息工程、自动化、计算机科学与技术、地球物理、生物工程、生物医学工程、物理、化学、医学、遥感等领域的大学教师和科技工作者、研究生、大学本科高年级学生及工程技术人员。
1. 新增了关于精确直方图匹配、小波、图像变换、有限差分、k均值聚类、超像素、图割、斜率编码的内容。
2. 扩展了关于骨架、中轴和距离变换的说明，增加了紧致度、圆度和偏心率等描述子。
3. 新增了哈里斯-斯蒂芬斯角点探测器及*大稳定极值区域的内容。
4. 重写了关于神经网络和深度学习的内容，全面介绍了全连接深度神经网络，新增了关于深度卷积神经网络的内容。
5. 为学生和教师提供支持包，支持包可从本书的配套网站下载。
6. 新增了几百幅图像、几十个新图表和上百道新习题。
内容简介
在数字图像处理领域，本书作为主要教材已有40多年。第四版是作者在前三版的基础上修订而成的，是前三版的发展与延续。除保留前几版的大部分内容外，根据读者的反馈，作者对本书进行了全面修订，融入了近年来数字图像处理领域的重要进展，增加了几百幅新图像、几十个新图表和上百道新习题。全书共12章，即绪论、数字图像基础、灰度变换与空间滤波、频率域滤波、图像复原与重构、小波变换和其他图像变换、彩色图像处理、图像压缩和水印、形态学图像处理、图像分割、特征提取、图像模式分类。本书的读者对象主要是从事信号与信息处理、通信工程、电子科学与技术、信息工程、自动化、计算机科学与技术、地球物理、生物工程、生物医学工程、物理、化学、医学、遥感等领域的大学教师和科技工作者、研究生、大学本科高年级学生及工程技术人员。
作者简介
Rafael C. Gonzalez: 1965于美国迈阿密大学获电气工程学士学位；1967年和1970年于美国佛罗里达大学盖恩斯维尔分校分别获电气工程硕士学位和博士学位。1970年，加盟田纳西大学诺克斯维尔分校(UTK)电机和计算机工程系。1973年晋升为副教授，1978年晋升为教授，1984年被授予“杰出贡献教授”。1994年到1997年任系主任，现为UTK名誉教授。
阮秋琦：教授、博士生导师。曾任国务院学位委员会学科评议组成员、北京交通大学学位委员会副主席、中国图像图形学学会常务理事、北京图像图形学学会副理事长、中国图像图形学学会铁道专业委员会主任委员；现为IEEE北京分会主席、IET北京分会主席及会士、中国通信学会会士、中国电子学会会士/理事、中国电子教育学会理事、信号处理学会副理事长、科技部国际合作项目评审专家、国家自然科学基金委员会第十三届评审专家、国家留学基金委员会评审专家。
目录
第1章 绪论 1
引言 1
学习目标 1
1．1 什么是数字图像处理 1
1．2 数字图像处理的起源 2
1．3 数字图像处理技术应用领域实例 5
1．3．1 伽马射线成像 5
1．3．2 X射线成像 6
1．3．3 紫外波段成像 8
1．3．4 可见光和红外波段成像 8
1．3．5 微波波段成像 14
1．3．6 无线电波段成像 14
1．3．7 其他成像方式 15
1．4 数字图像处理的基本步骤 18
1．5 图像处理系统的组成 20
小结、参考文献和延伸读物 22
第2章 数字图像基础 23
引言 23
……
11．3．2 形状数 611
11．3．3 傅里叶描述子 613
11．3．4 统计矩 615
11．4 区域特征描述子 616
11．4．1 一些基本的描述子 616
11．4．2 拓扑描述子 620
11．4．3 纹理 621
11．4．4 矩不变量 629
11．5 作为特征描述子的主分量 631
11．6 整体图像特征 637
11．6．1 哈里斯-斯蒂芬斯角点检测器 638
11．6．2 最大稳定极值区域（MSER） 643
11．7 尺度不变特征变换（SIFT） 648
11．7．1 尺度空间 648
11．7．2 检测局部极值 651
11．7．3 关键点方向 654
11．7．4 关键点描述子 655
11．7．5 SIFT算法小结 656
小结、参考文献和延伸读物 659
习题 660
第12章 图像模式分类 663
引言 663
学习目标 663
12．1 背景 663
12．2 模式与模式类 665
12．2．1 模式向量 665
12．2．2 结构模式 668
12．3 原型匹配模式分类 669
12．3．1 最小距离分类器 669
12．3．2 对二维原型匹配使用相关 672
12．3．3 匹配SIFT特征 674
12．3．4 匹配结构原型 675
12．4 最优（贝叶斯）统计分类器 678
12．4．1 贝叶斯分类器的推导 678
12．4．2 高斯模式类的贝叶斯分类器 679
12．5 神经网络与深度学习 684
12．5．1 背景知识 684
12．5．2 感知机 685
12．5．3 多层前馈神经网络 693
12．5．4 正向传播前馈神经网络 696
12．5．5 使用反向传播训练深层神经网络 700
12．6 深度卷积神经网络 707
12．6．1 一种基本的CNN结构 708
12．6．2 正向通过CNN的传递公式 714
12．6．3 用于训练CNN的反向传播方程 714
12．7 实现的一些附加细节 725
小结、参考文献和延伸读物 726
习题 726
参考文献 730
术语表 738
|
|
|
|
购买该商品的会员还购买过以下商品 |
|
|
暂无购买信息！
|
|
|
|
相似商品 |
|
|
|
|
