图像处理与脉冲耦合神经网络：基于Python的实现(第3版) 9787118111712 pdf epub mobi txt 电子书下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 托马斯·林德布拉德（Thomas Lind 著

图书标签:

图像处理
脉冲神经网络
SNN
Python
深度学习
机器学习
模式识别
神经计算
生物启发计算
人工智能

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到新城书站

book.cndgn.com

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

店铺：广影图书专营店

出版社：国防工业出版社

ISBN：9787118111712

商品编码：29637966262

包装：精装

出版时间：2017-01-01

具体描述

基本信息

书名：图像处理与脉冲耦合神经网络：基于Python的实现(第3版)

定价：78.00元

作者：托马斯·林德布拉德（Thomas Lindblad

出版社：国防工业出版社

出版日期：2017-01-01

ISBN：9787118111712

字数：

页码：191

版次：1

装帧：精装

开本：16开

商品重量：0.4kg

编辑推荐

内容提要

《图像处理与脉冲耦合神经网络：基于Python的实现（第3版）》对多种生物视觉模型的起源及特点进行了分析，并详述了PN与ICM两种模型的构成及工作机理。然后以PN与ICM模型为基础，全面说明了这两种模型在图像分析、目标分离、纹理识别、彩色图像处理、图像时间信号提取与应用及逻辑分析等方面的应用。同时还对书中多种算法给出了具体的Python实现代码。
　　《图像处理与脉冲耦合神经网络：基于Python的实现（第3版）》内容丰富、案例典型、学术性强、应用价值强、可读性好。非常适合从事智能信息处理、图像处理与识别等信息学科相关专业人员阅读与使用。

章生物模型
1．1 引言
1．2 生物学基础
1．3 Hodgkin-Huxley模型
1．4 Fitzhugh-Nagumo模型
1．5 Eckhom模型
1．6 aybak模型
1．7 Parodi模型
1．8 小结

第2章 Python程序设计
2．1 编程环境
2．1．1 命令行界面
2．1．2 IDLE
2．1．3 创建一个工作环境
2．2 数据类型和简单的数学运算
2．3 元组、列表和字典
2．3．1 元组
2．3．2 列表
2．3．3 字典
2．4 切片
2．5 字符串
2．5．1 字符串函数
2．5．2 类型转换
2．6 控制流
2．7 输入和输出
2．7．1 文本文件读写
2．7．2 Pickle模块
2．8 函数
2．9 模块
2．10 面向对象的程序设计
2．10．1 类的内容
2．10．2 运算符定义
2．10．3 继承
2．11 检错
2．12 小结

第3章 Numpy、SciPy和PythoImage Library
3．1 NumPy
3．1．1 创建数组
3．1．2 数组转换
3．1．3 矩阵：向量乘法
3．1．4 数组的优势
3．1．5 数据类型
3．1．6 排序
3．1．7 字符串和列表的转换
3．1．8 矩阵的改变
3．1．9 高级切片
3．2 SciPy
3．3 NumPy中的设计
3．4 Python图像库PIL（PythoImage Library）
3．4．1 图像的读出
3．4．2 图像的写入
3．4．3 图像转换
3．5 小结

第4章 PN与ICM
4．1 PN
4．1．1 原始模型
4．1．2 Python实现
4．1．3 脉冲发放行为
4．1．4 神经元动态行为的累积
4．1．5 时间信号
4．1．6 神经元连接
4．1．7 快速连接
4．1．8 连续时间模型
4．2 ICM
4．2．1 小连接需要
4．2．2 ICM原理
4．2．3 ICM中的连接
4．2．4 ICM的Pvthon实现
4．3 小结

第5章图像分析
5．1 相关图像信息
5．2 图像分割
5．2．1 血细胞
5．2．2 乳房X线影像
5．3 自适应分割
5．4 焦点和分级聚焦点
5．4．1 分级聚焦检测（凹点检测）算法
5．4．2 基于PN多级聚焦模型的目标识别
5．5 图像分解
5．6 小结

第6章反馈和分离
6．1 反馈式PN
6．2 目标分离
6．2．1 输入图像的规格化
6．2．2 滤波器的创建
6．2．3 脉冲图像的边缘增强
6．2．4 相关及改进
6．2．5 峰值检测
6．2．6 对输入图像和PN所做的调整
6．2．7 驱动程序
6．3 动态目标分离
6．4 阴影目标
6．5 噪声图像下的情况
6．6 小结

第7章分类识别
7．1 航空器
7．2 北极光
7．3 目标识别：二值图像的相关性
7．4 星系
7．5 手势识别
7．6 路面检测
7．7 数字符号
7．7．1 数据集合
7．7．2 分离出各类的训练图像
7．8 产生脉冲图像
7．8．1 图像时间信号的分析
7．9 人脸定位及识别
7．10 小结

第8章纹理识别
8．1 脉冲谱
8．2 纹理脉冲谱的统计可分性
8．3 基于统计方法的脉冲谱识别
8．4 基于联想记忆的脉冲谱识别
8．5 生物学上的运用
8．6 纹理研究
8．7 小结

第9章颜色和多通道
9．1 模型
9．1．1 彩色图像的例子
9．1．2 基于Python的实现
9．2 多光谱实例
9．3 彩色模型的应用
9．4 小结

0章图像的时间信号
10．1 图像的时间信号理论
10．1．1 PN和图像时间信号
10．1．2 彩色与形状
10．2 目标的时间信号
10．3 真实图像的时间信号
10．4 图像时间信号数据库
10．5 计算佳视角
10．6 运动估计
10．7 小结

1章逻辑
11．1 迷宫穿行和TSP（旅行商）问题
11．2 条形码和导航
11．3 小结
附录A 图像转换器
附录B 几何模块
附录C 分数幂指数滤波器
附录D 相关运算
附录E FAAM
附录F 主成分分析
参考文献

作者介绍

徐光柱，男，1979年1月生，副教授。2007毕业于兰州大学，获得无线电物理专业博士学位。2007年加入三峡大学从事教学科研工作。2010年12月-2011年6月在美国南卡罗来纳州克莱姆森大学做访问学者。目前在三峡大学计算机与信息学院从事教学科研工作。主要从事计算机视觉与图像图形处理等方面的研究。
　　
　　马义德，男，1963年2月生，甘肃临夏人，教授。2001年获得兰州大学博士学位，现任兰州大学信息科学与工程学院电路与系统研究所所长，兰州大学Ti-DSP联合实验室主任。目前在兰州大学信息科学与工程学院从事教学科研工作，主要从事数字图像处理、嵌入式系统等方面的研究。
　　
　　雷帮军，男，1973年6月生，湖北宜昌人，教授。2003年获荷兰德尔夫特理工大学博士学位，湖北省“百人计划”特聘教授，楚天学者特聘教授。现任三峡大学智能视觉与图像信息研究所所长，湖北省水电工程智能视觉监测重点实验室主任。主要从事数字图像处理、计算机视觉等方面的研究。
　　
　　Thomas Lindblad（托马斯·林德布拉德）于1974年获得瑞典斯德哥尔摩大学博士学位，瑞典皇家理工学院教授。早期从事核结构与离子物理学方面的研究，专注于检测系统；后期专注于教学，在瑞典皇家理工学院物理系从事环境物理学的教学多年，指导本科生从事科学研究。在此期间他的研究领域聚焦在传感器技术与持续数据流中的特征提取。
　　
　　JasoM.Kinser（詹森·金赛）分别于1994年与1987年获得光学与光电系统博士学位及物理学硕士学位。1994年他作为副研究员加入AlabamaA&M;大学，同时也是应用光学科学中心的创始人员之一。1997年他来到乔治梅森大学任职，现在是该校物理与计算科学学院的副教授。他的研究领域包括光学与图像信息处理（脉冲图像处理）及多学科领域中的数据处理。

文摘

序言

《计算摄影学：理论、算法与实践》图书简介《计算摄影学：理论、算法与实践》一书深入剖析了现代数字成像技术的核心——计算摄影学的方方面面。在传统摄影的边界不断被突破的今天，计算摄影学已经成为理解、操控和创造图像的关键学科。本书旨在为读者提供一个全面、系统且富有实践性的学习框架，无论您是计算机视觉领域的初学者，还是经验丰富的图像处理研究者，都能从中获益匪浅。本书的起点是数字图像的底层原理。我们将从传感器的工作机制、光电转换过程出发，详细介绍采样、量化等基础概念，并探讨这些过程对最终图像质量的影响。理解这些基础对于深入研究后续的算法至关重要。接着，我们将进入图像的表示与处理阶段。本书将详细阐述常见的图像模型，如灰度图像、彩色图像（RGB、HSV等）、多光谱和高光谱图像，以及它们在不同应用场景下的适用性。随后，我们将系统性地介绍图像增强、图像复原、图像分割、特征提取等经典但不可或缺的图像处理技术。这些技术包括但不限于：图像增强：介绍对比度增强（直方图均衡化、自适应直方图均衡化）、亮度调整、锐化（Sobel、Prewitt、Laplacian算子，以及高斯差分）等方法，并深入探讨它们在不同噪声环境下以及针对特定图像特征时的表现。图像复原：详细分析噪声模型（高斯噪声、椒盐噪声、泊松噪声等），并介绍多种噪声抑制方法，如均值滤波、中值滤波、高斯滤波、双边滤波、非局部均值滤波等。在此基础上，我们将探讨图像模糊的建模（如运动模糊、失焦模糊）以及相应的去模糊技术，包括逆滤波、维纳滤波、约束最小二乘滤波等，并介绍基于深度学习的图像复原方法。图像分割：涵盖阈值分割（全局阈值、局部阈值、Otsu方法）、区域生长法、基于边缘的分割（Canny算子）、以及基于机器学习的分割方法（如K-means聚类、支持向量机、图割方法）。同时，本书还将对卷积神经网络（CNN）在语义分割和实例分割中的最新进展进行详细阐述。特征提取与描述：重点介绍SIFT、SURF、ORB等经典的局部特征提取算法，并分析它们在尺度不变性、旋转不变性等方面的原理。此外，还将介绍HOG（方向梯度直方图）等用于行人检测等任务的特征描述符，并探讨如何构建更鲁棒、更具辨识度的特征。在掌握了基础的图像处理技术后，本书将进一步深入到计算摄影学的核心领域，重点关注如何利用计算能力来超越传统相机和光学系统的局限，创造出更丰富、更具信息量的图像。这部分内容将是本书的亮点和创新所在：高动态范围（HDR）成像：详细讲解HDR成像的原理，包括多张不同曝光图像的合成。本书将深入探讨曝光对齐、色调映射（Tone Mapping）算法（如对数域算法、全局色调映射、局部色调映射、基于注意力的色调映射等）的核心思想与实现细节，以及如何生成视觉上更具冲击力且细节丰富的图像。全景图像拼接：介绍如何从多张具有重叠区域的图像中合成一张高分辨率的全景图。本书将详细讲解特征点匹配、图像配准（仿射变换、单应性变换）、图像融合（线性混合、泊松融合、多分辨率融合）等关键步骤，并讨论在不同场景下的挑战，如光照变化、动态物体等。深度估计与三维重建：探索从二维图像中恢复三维信息的方法。本书将详细介绍立体视觉（Stereo Vision）的原理，包括视差计算、不连续性处理，以及多视图几何（Multi-View Geometry）在相机标定、姿态估计、稀疏/密集三维重建中的应用。同时，也将介绍基于深度学习的单目深度估计和基于NeRF（Neural Radiance Fields）等新型技术的深度学习驱动的三维重建方法。光场（Light Field）成像：介绍光场相机的工作原理，以及如何利用采集到的光场数据实现焦点堆叠、深度估计、视点合成等功能。本书将解析光场数据的表示方式（如4D光场、2D+E光场），并阐述基于光场数据的超分辨率、去模糊和景深合成等高级应用。图像去噪的进阶与深度学习应用：除了经典的去噪算法，本书还将深入探讨基于稀疏表示、BM3D（Block-Matching and 3D Filtering）等先进的图像去噪技术。更重要的是，本书将花大量篇幅介绍深度学习在图像去噪、超分辨率、超低光照图像增强等任务中的突破性进展。我们将详细解析U-Net、DnCNN、REDNet等经典网络结构，以及Transformer在图像处理领域的最新应用，并提供相关算法的原理性讲解。本书强调理论与实践的结合。在每一章节的讲解中，我们将穿插大量的算法伪代码和数学推导，帮助读者深入理解算法的内在逻辑。同时，本书的内容将紧密围绕Python生态系统展开，大量引用和展示使用NumPy、SciPy、OpenCV、Scikit-image等库进行图像处理的实际代码示例。读者可以通过运行这些代码，直观地验证算法效果，并在此基础上进行二次开发和创新。本书的适用对象：计算机科学、电子工程、自动化等专业的高年级本科生和研究生：为他们提供计算摄影学领域的扎实理论基础和实践技能。图像处理、计算机视觉、人工智能领域的科研人员：作为深入研究和探索最新算法的参考资料。对数字成像技术和图像生成感兴趣的工程师和开发者：帮助他们理解和应用先进的计算摄影学技术，解决实际问题。摄影爱好者和数字艺术家：了解如何利用计算技术突破传统摄影的限制，创造出更具表现力的视觉作品。《计算摄影学：理论、算法与实践》不仅仅是一本技术手册，更是一扇通往未来数字影像世界的窗口。通过本书的学习，您将能够深入理解图像的本质，掌握强大的图像处理和生成工具，并为未来在人工智能、虚拟现实、增强现实等前沿领域的探索奠定坚实的基础。本书内容丰富，涵盖面广，旨在为读者提供一个全面、系统且富有启发性的学习体验。

用户评价

评分☆☆☆☆☆

从一个资深程序员的角度来看，这本书的价值很大一部分体现在它对Python生态系统的友好程度上。许多涉及深度学习和数值计算的书籍，往往偏爱使用TensorFlow或PyTorch等大型框架，这对于很多习惯于使用NumPy和SciPy进行底层操作的开发者来说，学习曲线会比较陡峭。这本书的作者显然意识到了这一点，他们选择使用相对轻量级且易于理解的库来实现PCNN的核心算法。这使得我们可以清晰地看到每一个数学运算是如何被映射到代码中的，极大地增强了代码的可读性和可调试性。我甚至能够将书中的部分核心算法模块无缝地集成到我们现有的遗留系统中，而无需进行大规模的框架迁移。唯一美中不足的是，对于使用GPU加速的讨论相对较少，对于处理超高清图像或需要实时反馈的应用场景，如何利用CUDA或OpenCL进行优化，书中并未给出太多指导，这对于追求极致性能的读者来说，可能需要自行探索。

评分☆☆☆☆☆

这本书的排版和印刷质量相当不错，纸张的质感摸起来很舒服，这对于需要长时间阅读技术书籍的人来说，是一个很积极的体验。我特别欣赏作者在结构安排上的匠心独运，它不像很多技术书籍那样将理论和代码完全割裂开来。相反，它巧妙地将理论介绍、算法推导与对应的Python实现紧密结合在一起，这使得读者在学习一个新概念的同时，就能立即看到如何在实际代码中复现它。这种“边学边练”的学习路径极大地提高了学习效率。比如，讲解到某个滤波器的参数调整对图像去噪效果的影响时，书里会立刻给出相应的代码片段和不同参数运行后的结果对比图。这种直观的展示，远胜于仅仅停留在文字描述上的枯燥讲解。当然，这种紧凑的结构也意味着内容信息密度非常高，如果中间有任何一个环节没跟上，后面再想补回来就会比较吃力，需要频繁地前后翻阅。对于那些希望一步到位掌握图像处理和PCNN结合实践的工程师来说，这本书的架构设计无疑是非常加分的。

评分☆☆☆☆☆

这本关于图像处理和脉冲耦合神经网络的书，我买了快一年了，到现在才终于把它读完。说实话，刚开始接触这本书的时候，我感觉有点吃力，尤其是那些理论部分，涉及了很多数学公式和复杂的算法描述。我本来以为这会是一本偏重于应用的书，但事实是，它在理论深度上做得非常扎实。作者没有回避那些核心的数学原理，这对于想要深入理解PCNN机制的读者来说是件好事，但对于只想快速实现一些效果的初学者，可能需要一些耐心去啃下这些基础知识。书中对PCNN模型结构和激活函数的阐述非常细致，每一步的推导都力求清晰。不过，有时候我会觉得，为了追求理论的完整性，一些关键的直觉性解释略显不足，导致在理解“为什么是这样设计”的时候，需要自己去多方查阅资料进行印证。Python代码的实现部分，虽然覆盖了大部分核心功能，但在代码风格上，个人感觉还有提升空间，比如有些函数的参数命名不够直观，初次阅读时需要花时间去对照书中的文字描述才能完全理解其作用。总的来说，这是一本适合有一定数学和编程基础，并希望深入研究PCNN在图像处理领域应用的读者的参考书，而非一本“开箱即用”的速成手册。

评分☆☆☆☆☆

我购买这本书的初衷，主要是因为我对脉冲耦合神经网络在边缘检测和图像分割方面的潜力非常感兴趣。市面上很多资料要么只讲图像处理的基础，要么只谈神经网络的通用结构，很少有像这样专门聚焦于PCNN及其在视觉任务中应用的深度专著。这本书在这方面的探索是令人耳目一新的。它不仅仅停留在介绍PCNN的输入层、耦合层和输出层这些基础结构，更深入地探讨了如何根据不同的图像特征来定制这些层的权重和时间常数。我尤其喜欢其中关于自适应阈值设置的部分，这解决了我在尝试将理论模型应用于真实、复杂图像时遇到的一个主要瓶颈——即模型参数的泛化能力问题。然而，在讨论高级应用，比如动态场景下的目标跟踪时，我感觉内容稍显简略，更像是点到为止，或许是篇幅所限，但仍然留下了一些期待，希望在后续的修订版中能看到更深入的案例研究。整体而言，它为这个细分领域提供了一个非常坚实的知识框架。

评分☆☆☆☆☆

这本书的理论深度和广度确实令人印象深刻，它提供了一个从基础概念到前沿应用的完整学习路径。阅读过程中，我最大的感受是作者在保持学术严谨性的同时，努力让内容贴近实际操作。特别是关于PCNN与传统图像滤波技术融合的章节，提供了一种非常实用的混合方法论，这比单纯地“堆叠”不同的技术要高明得多。它强调了理解不同算法的内在联系和互补性。当然，任何一本涵盖如此广泛主题的书籍，都难免在某些角落显得不够详尽。比如，在探讨PCNN在三维医学图像重建方面的应用潜力时，论述就比较简短，更多的是对未来方向的展望而非成熟的实现案例。但这反而激发了我进一步研究的兴趣，因为它清晰地勾勒出了该领域尚未被完全开发的潜力地带。总而言之，这是一本值得反复阅读、时常查阅的工具书，尤其适合那些希望在图像分析领域建立深厚理论基础并付诸实践的研究人员和高级爱好者。