
本书内容由浅入深、循序渐进,涵盖了深度学习在图像处理中的应用技术。本书共8章,首先简要介绍图像处理技术,以及深度学习在图像领域中的应用;接着对深度学习在图像处理中的应用技术进行详细介绍,包括图像阴影检测、图像阴影去除、图像噪声处理、图像匀光和匀色等内容;然后对基于卷积神经网络的图像超分辨率重建方法进行讲解;最后以基于深度学习的红树林提取和屋顶提取与绿化评价为例,详细讲解深度学习在图像处理中的应用。
第1章 绪论 1 1.1 图像阴影检测与去除 1 1.2 图像噪声处理 2 1.3 图像匀光、匀色 5 1.4 图像超分辨率重建 6 1.5 深度学习在图像领域中的应用 9 1.6 本章小结 11 本章参考文献 11 第2章 图像阴影检测 13 2.1 阴影检测的意义 13 2.2 阴影检测方法分类 14 2.2.1 基于监督学习的阴影检测方法 14 2.2.2 基于非监督学习的阴影检测方法 15 2.3 基于动态粒子群算法的阴影检测 17 2.3.1 遥感图像阴影检测方法的整体流程 17 2.3.2 遥感图像阴影检测通道设计 18 2.3.3 动态局部自适应粒子群算法 20 2.3.4 局部区域优化 22 2.4 阴影检测实验 23 2.5 本章小结 24 本章参考文献 25 第3章 图像阴影去除 29 3.1 基于梯度域的图像阴影去除方法 29 3.1.1 代表性方法研究 29 3.1.2 二维泊松方程 30 3.1.3 基于梯度域的图像阴影去除算法框架 31 3.2 基于光照转移的图像阴影去除方法 32 3.2.1 代表性方法研究 32 3.2.2 光照补偿原理 33 3.2.3 基于光照转移的图像阴影去除算法框架 34 3.3 基于深度学习的图像阴影去除方法 35 3.3.1 代表性方法研究 35 3.3.2 GAN模型 37 3.3.3 基于生成对抗网络的图像阴影去除模型——ST-CGAN 38 3.4 本章小结 39 本章参考文献 39 第4章 图像噪声处理 41 4.1 背景与现状分析 41 4.1.1 图像噪声处理的背景及意义 41 4.1.2 国内外图像噪声处理方法现状分析 42 4.2 SAR系统成像与相干斑噪声 46 4.2.1 SAR系统的成像原理 46 4.2.2 相干斑噪声的形成机理 49 4.2.3 相干斑噪声的统计模型 50 4.2.4 相干斑噪声抑制结果的评价指标 51 4.3 非凸非光滑变分模型及求解方法 51 4.3.1 基本算子和函数空间的定义 52 4.3.2 非凸非光滑变分模型 52 4.3.3 变量分割法 53 4.3.4 增广拉格朗日法 54 4.4 抑制相干斑噪声的非凸非光滑变分模型 54 4.4.1 经典的相干斑噪声抑制变分模型 54 4.4.2 无截断的非凸非光滑变分模型及数值算法 56 4.4.3 截断的非凸非光滑变分模型及数值算法 62 4.5 实验结果与分析 65 4.5.1 合成数据集和真实SAR图像数据集的构建 65 4.5.2 模型参数分析 66 4.5.3 合成数据的相干斑噪声抑制结果分析 68 4.5.4 真实SAR图像的相干斑噪声抑制结果分析 75 4.6 本章小结 77 本章参考文献 78 第5章 图像匀光、匀色 83 5.1 图像匀光、匀色的意义与现状分析 83 5.2 图像匀光、匀色方法 85 5.2.1 图像匀光方法 85 5.2.2 图像匀色方法 88 5.2.3 图像质量评价标准 91 5.3 图像匀光、匀色实验分析 93 5.3.1 实验数据 93 5.3.2 匀光处理结果 96 5.3.3 匀色处理结果 100 5.4 本章小结 107 本章参考文献 107 第6章 基于卷积神经网络的图像超分辨率重建 109 6.1 图像超分辨率重建的意义与现状分析 109 6.1.1 图像超分辨率重建的背景与意义 109 6.1.2 图像超分辨率重建方法现状分析 110 6.2 超分辨率重建技术与数据集 113 6.2.1 人工神经网络 113 6.2.2 卷积神经网络基本结构 114 6.2.3 图像超分辨率重建质量评价指标 118 6.2.4 超分辨率重建经典模型 119 6.2.5 实验数据 123 6.3 基于RDN的超分辨率重建网络模型 125 6.3.1 RDN模型的网络架构 126 6.3.2 遥感图像超分辨率重建过程 127 6.4 实验结果对比分析 128 6.4.1 RDN模型的训练 129 6.4.2 基于NWPU-RESISC45数据集的测试结果 131 6.4.3 基于RSSCN7数据集的测试结果 136 6.5 本章小结 141 本章参考文献 142 第7章 基于深度学习的红树林提取 147 7.1 红树林提取的背景意义与现状分析 147 7.1.1 红树林提取的背景意义 147 7.1.2 红树林提取方法现状分析 148 7.1.3 红树林提取技术路线 151 7.2 红树林语义分割数据集 153 7.2.1 研究区域 153 7.2.2 遥感数据和预处理 153 7.2.3 制作红树林语义分割数据集 154 7.3 基于深度学习的红树林提取模型 155 7.3.1 基于深度学习的红树林语义分割框架 155 7.3.2 深度卷积神经网络的结构 156 7.4 红树林提取实践 162 7.4.1 实验设置 162 7.4.2 实验结果 167 7.5 红树林提取模型分析 169 7.5.1 样本数据对红树林提取结果的影响 169 7.5.2 网络结构和训练技巧对模型预测结果的影响 172 7.5.3 不同的语义分割方法对红树林提取的影响 174 7.6 本章小结 176 本章参考文献 176 第8章 基于深度学习的屋顶提取与绿化评价 183 8.1 屋顶绿化的背景意义与现状分析 183 8.1.1 屋顶绿化的背景和意义 183 8.1.2 屋顶绿化现状分析 184 8.2 国内外城市屋顶绿化评价方法 188 8.2.1 德国不伦瑞克市 188 8.2.2 葡萄牙里斯本市 189 8.2.3 中国漯河市 190 8.2.4 中国深圳 190 8.3 屋顶绿化试验数据 192 8.3.1 试验区介绍 192 8.3.2 试验数据介绍 193 8.4 屋顶绿化评价方法 194 8.4.1 基于深度学习的可绿化屋顶目标检测 195 8.4.2 气象数据指标计算 197 8.4.3 公园绿地距离指标计算 198 8.4.4 交通拥堵程度指标计算 198 8.4.5 屋顶绿化评价 199 8.5 厦门岛屋顶绿化评价结果与讨论 200 8.5.1 屋顶绿化评价结果分析 200 8.5.2 可绿化屋顶目标检测方法的优势 209 8.5.3 屋顶绿化评价权重选取 210 8.5.4 屋顶绿化评价指标选取 212 8.6 本章小结 215 本章参考文献 215
图像处理技术在安防、交通、医学、自然资源、农业、环保、智能驾驶、工业、电子商务等领域都有着广泛的应用,尤其在目前各种深度学习技术的推动下,基于图像的应用不断深入,应用领域越来越广。在基于图像训练深度学习模型时,需要获取高质量的样本图像,图像的质量会直接影响模型的精度。因此,掌握样本图像的关键处理技术是构建高精度深度学习模型的前提和关键。本书首先简要介绍图像处理技术,以及深度学习在图像领域中的应用;接着对深度学习在图像处理中的应用技术进行详细介绍,包括图像阴影检测、图像阴影去除、图像噪声处理、图像匀光和匀色等内容;然后对基于卷积神经网络的图像超分辨率重建方法进行讲解;最后以基于深度学习的红树林提取和屋顶提取与绿化评价为例,详细讲解深度学习在图像处理中的应用。本书旨在帮助读者掌握图像处理与深度学习中的关键技术和方法流程,为基于深度学习的各种图像应用奠定基础,提升读者对深度学习模型的应用能力。 本书作者长期从事遥感图像超分辨率重建、机器学习、网络地理信息系统、三维建模、高性能空间计算等计算机和3S交叉学科方向的理论方法研究、教学与应用开发工作,已有十多年的科研经验和应用开发基础,为本书的编写打下了扎实的知识基础。本书涵盖了图像处理与深度学习中的常见算法和模型,按照深度学习样本图像处理的需求逐步进行讲解,内容安排循序渐进,可以使读者更容易掌握相关的知识点。同时,本书还对基于深度学习的图像目标检测与提取应用案例进行精讲,以便读者能够更加深入地学习图像领域中的深度学习技术。 本书面向计算机视觉、模式识别、图像处理与深度学习等相关领域工作者,内容由浅入深、循序渐进,既有详尽的算法原理阐述,又有丰富的结果图形展示,可以使读者更加容易、快速、全面地掌握常用的图像处理算法。对于初学者来说,本书没有任何门槛,初学者只需要按部就班地跟着本书学习即可。无论读者是否有图像处理的经验,都可以借助本书来系统地了解和掌握深度学习中的样本图像处理技术知识点,为基于深度学习的图像处理与行业应用奠定良好的基础。 参与本书编写工作的还有黄颖、韩成德、余仲阳、吴送良、杨亚仑、张之政、张雅婷。在本书的编写和出版过程中,电子工业出版社的田宏峰编辑提出了宝贵的建议,在此表示感谢。本书的出版得到了国家自然科学基金(41971356、41701446)的支持,在此表示诚挚的谢意。由于时间仓促,部分文献可能存在引用缺失的情况,在此向本书所涉及参考资料的作者表示衷心的感谢。感谢盖涛提供的封面设计方案。 由于作者水平有限,书中难免存在不足之处,敬请广大读者和专家批评指正。 郭明强 2022年4月于武汉