數字圖像處理與深度學習

《數字圖像處理與深度學習》是2023年清華大學出版社出版的圖書，作者是汪紅兵、李莉。

基本介紹

• 中文名：數字圖像處理與深度學習
• 作者：汪紅兵、李莉
• 出版時間：2023年4月1日
• 出版社：清華大學出版社
• ISBN：9787302626886 
• 定價：59 元

內容簡介

本書以機器視覺系統為研究背景，緊密結合實際工業套用案例，介紹傳統數字圖像處理方法和基於深度學習的數字圖像處理方法。本書共8章，內容包括數字圖像處理概述、基於傳統方法的數字圖像處理、基於深度學習的數字圖像處理、工業字元智慧型識別、磨粒圖譜識別與分割、射線檢測的焊縫缺陷識別、嵌入式機器視覺系統開發、工業數字圖像處理相關工具和平台。 本書邏輯結構清晰、內容通俗易懂、案例豐富、圖文並茂，突出構建機器視覺系統的實用性。本書教學資源豐富，每章配置了大量的習題以鞏固基本概念、基礎理論和算法，附錄還給出4個典型實驗以培養綜合開發和運用能力。

圖書目錄

目錄

第1章數字圖像處理概述/1

1.1數字圖像1

1.2數字圖像處理2

1.3工業數字圖像4

1.4圖像的數位化6

1.4.1顏色及顏色空間7

1.4.2圖像的採樣15

1.4.3圖像的量化15

1.4.4圖像的編碼16

1.4.5數字圖像的存儲空間17

1.5機器視覺系統18

1.5.1機器視覺系統概述18

1.5.2光源19

1.5.3相機23

1.5.4圖像採集卡25

1.5.5工業視覺處理機26

1.6機器視覺系統的典型案例26

1.6.1鋼鐵生產過程的鋼板號智慧型識別系統27

1.6.2焊接缺陷智慧型識別及輔助評片系統27

1.6.3機械設備磨粒圖譜智慧型識別系統27

1.6.4鋼包掛鈎安全檢測系統29

1.7機器視覺系統的開發流程29

本章小結30

習題30

第2章基於傳統方法的數字圖像處理/32

2.1數字圖像中像素間的空間關係32

2.1.1像素的鄰域32

2.1.2像素間的鄰接關係33

2.1.3通路34

2.2數字圖像中像素的基本運算34

2.2.1線性點運算34

2.2.2算術運算36

2.2.3邏輯運算39

2.2.4直方圖均勻化40

2.3圖像濾波45

2.3.1均值濾波46

2.3.2高斯加權均值濾波47

2.3.3中值濾波48

2.3.4雙邊濾波49

2.3.5頻域濾波50

2.4邊緣檢測53

2.4.1梯度原理54

2.4.2Roberts運算元55

2.4.3Sobel運算元56

2.4.4Prewitt運算元57

2.4.5拉普拉斯運算元58

2.4.6Canny運算元59

2.5圖像分割63

2.5.1閾值分割63

2.5.2最大類間方差法65

2.5.3區域生長算法67

2.5.4分水嶺算法68

2.5.5聚類算法70

2.5.6圖割算法71

2.6圖像的形態學處理方法73

2.6.1腐蝕74

2.6.2膨脹74

2.6.3開閉運算76

2.7圖像的紋理特徵79

2.7.1圖像的統計矩80

2.7.2灰度共生矩陣81

2.7.3LBP85

2.7.4分形維數90

2.8圖像處理的簡單套用91

2.8.1基於模板匹配的目標檢測91

2.8.2霍夫檢測93

2.8.3特徵檢測97

2.9金相組織分析101

本章小結104

習題105

第3章基於深度學習的數字圖像處理/109

3.1人工智慧與機器學習109

3.1.1人工智慧概述109

3.1.2機器學習概述110

3.2深度學習的基本概念111

3.2.1深度學習概述111

3.2.2深度學習的損失函式113

3.2.3深度學習的評價指標115

3.2.4深度學習模型開發的一般過程117

3.3普通神經網路120

3.3.1人工神經元121

3.3.2神經網路的拓撲結構121

3.3.3激活函式122

3.3.4BP算法124

3.4深度卷積神經網路128

3.4.1卷積129

3.4.2層間連線133

3.4.3池化134

3.4.4全連線135

3.4.5Dropout136

3.4.6批量歸一化136

3.4.7深度卷積神經網路的參數最佳化方法136

3.5經典的深度卷積神經網路140

3.5.1LeNet5140

3.5.2VGG16141

3.6深度卷積神經網路中的新技術143

3.6.1Inception模組143

3.6.2視覺注意力模組144

本章小結146

習題147

第4章工業字元智慧型識別/151

4.1鋼鐵生產過程中的工業字元151

4.2鋼鐵生產過程中工業字元識別的難點153

4.3基於傳統圖像處理的字元識別154

4.4基於深度學習的工業字元識別156

4.4.1目標檢測網路156

4.4.2RCNN網路156

4.4.3Fast RCNN158

4.4.4Faster RCNN159

4.4.5基於Faster RCNN進行工業字元識別160

本章小結163

習題163

第5章磨粒圖譜識別與分割/165

5.1鐵譜分析技術165

5.2設備磨損機理167

5.3磨粒圖譜168

5.3.1正常磨粒168

5.3.2切削磨粒168

5.3.3球狀磨粒169

5.3.4嚴重滑動磨粒169

5.3.5疲勞磨粒169

5.3.6銅合金磨粒170

5.3.7黑色氧化物磨粒171

5.3.8紅色氧化物磨粒171

5.4基於傳統圖像處理的磨粒特徵計算171

5.4.1磨粒的顏色特徵172

5.4.2磨粒的形狀特徵172

5.4.3磨粒的紋理特徵173

5.4.4磨粒特徵計算示例173

5.5基於深度卷積神經網路的磨粒圖譜識別179

5.5.1磨粒圖譜標註179

5.5.2特徵提取網路180

5.5.3非極大值抑制181

5.5.4基於深度卷積神經網路的磨粒圖譜識別實驗結果展示181

5.5.5基於GrabCut的磨粒分割181

本章小結183

習題184

第6章射線檢測的焊縫缺陷識別/186

6.1射線檢測技術186

6.1.1射線檢測設備186

6.1.2射線檢測方法186

6.2射線檢測缺陷成像187

6.2.1膠片成像187

6.2.2數字成像188

6.3焊縫缺陷圖譜189

6.3.1裂紋190

6.3.2未熔合190

6.3.3未焊透190

6.3.4條形缺陷191

6.3.5氣孔缺陷 191

6.4焊縫缺陷識別的困難及應對策略191

6.4.1底片透過亮度較小192

6.4.2缺陷尺寸較小192

6.4.3目標邊緣模糊192

6.4.4噪聲干擾嚴重193

6.4.5影像變形較大193

6.4.6面積型缺陷成像差異較大194

6.4.7重疊缺陷的影像變化複雜194

6.4.8綜合應對策略195

6.5基於深度學習的焊縫缺陷識別195

6.5.1特徵金字塔網路195

6.5.2數據擴增方法196

6.5.3基於深度學習的焊縫缺陷識別實驗結果展示197

6.5.4前端界面199

本章小結200

習題200

第7章嵌入式機器視覺系統開發/202

7.1邊緣計算202

7.2嵌入式機器視覺開發板203

7.2.1EAIDK系列開發板203

7.2.2Atlas開發板204

7.2.3Jetson開發板205

7.3MobileNet205

7.3.1深度可分離卷積206

7.3.2通道因子與解析度因子208

7.4SSD算法209

7.5嵌入式機器視覺系統開發的過程210

7.5.1數據收集210

7.5.2數據標註211

7.5.3模型訓練213

7.5.4模型轉換214

7.5.5模型部署215

本章小結216

習題216

第8章工業數字圖像處理相關工具和平台/218

8.1OpenCV218

8.1.1OpenCV簡介218

8.1.2OpenCV代碼實例219

8.2PyTorch222

8.2.1數據223

8.2.2數據操作224

8.2.3梯度計算225

8.2.4圖像卷積226

8.2.5基於LeNet5網路實現對磨粒圖譜分類227

8.3MindSpore238

本章小結240

習題240

附錄實驗/242

實驗1: 基於傳統圖像處理方法的邊緣檢測242

實驗2: 基於傳統圖像處理方法的圖像分割242

實驗3: 基於深度學習的圖像分類243

實驗4: 基於深度學習的目標檢測243

參考文獻/245