由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
全新正版计算机视觉中的颜色感知9787302568735清华大学
¥ ×1
章 引言
1.1 背景与意义
1.1.1 颜色恒常
1.1.2 HDR图像处理
1.2 国内外研究现状
1.2.1 颜色恒常计算
1.2.2 HDR图像处理
参考文献
第2章 颜色恒常计算
2.1 朗伯特反模型
2.2 颜色恒常计算
. 对角模型
2.4 颜色恒常计算研究现状
2.4.1 无监督的颜色恒常计算
2.4.2 有监督的颜色恒常计算
2.4.3 颜色恒常融合算法
2.4.4 颜色不变描述
2.5 颜色恒常计算实验数据集
2.6 光照估计的能评标准
2.7 本章小结
参考文献
第3章 基于树结构联合稀疏表示的多线索光照估计
3.1 引言
3.2 研究背景
3.2.1 成像模型
3.2.2 光照估计相关工作
3.. 稀疏表示
3.3 基于树结构联合稀疏表示的多线索光照估计
3.3.1 MC概述
3.3.2 树结构联合稀疏正则化
3.3.3 TGJSR的优化
3.3.4 核化TGJSR
3.4 MC光照估计的实现与分析
3.4.1 特征提取
3.4.2 由MC框架生成的方法
3.5 实验结果
3.5.1 评价标准
3.5.2 Gehler-Shi数据集测试
3.5.3 SFU数据集测试
3.5.4 Barcelona数据集测试
3.6 比较与分析
3.6.1 TGJSR框架中方法的比较
3.6.2 与光照估计算法的比较
3.6.3 使用不同稀疏正则化的MC方法的比较
3.6.4 树结构联合稀疏表示与近邻方法的比较
3.6.5 训练数据集大小的影响
3.6.6 线MC和核化MC的比较
3.7 本章小结
参考文献
第4章 基于纹理相似的自然图像的颜色恒常计算
4.1 引言
4.2 相关工作介绍
4.2.1 基于自然图像统计的颜色恒常算法融合
4.2.2 存在的问题
4.3 基于纹理相似的自然图像的颜色恒常计算
4.3.1 威布尔分布与图像的纹理特征
4.3.2 基于纹理相似的颜色恒常算法融合
4.4 实验结果与分析
4.4.1 参数K的选择实验
4.4.2 交叉验实验
4.4.3 图像光照校正示例
4.5 本章小结
参考文献
第5章 自然场景光照估计融合算法的评价
5.1 引言
5.2 光照估计融合算法
5.2.1 无监督融合
5.2.2 有监督融合
5.. 引导式融合
5.3 单一颜色恒常算法
5.4 实验设置
5.4.1 图像数据集
5.4.2 误差评价标准
5.4.3 实验参数选择
5.5 实验结果
5.5.1 Gehler-Shi数据集的结果分析
5.5.2 SFU子数据集的结果分析
5.5.3 Barcelona数据集的结果分析
5.5.4 时间能比较
5.6 实验结果分析
5.6.1 一致分析
5.6.2 UC与SC算法的比较
5.6.3 SC和GC算法的比较
5.6.4 IGC算法的特征分析
5.7 场景类别对融合的影响
5.8 单一估计算法对融合的影响
5.8.1 使用UU和SU算法进行融合的能比较
5.8.2 单一算法数量对融合结果的影响
5.9 多光源场景的融合算法
5.10 本章小结
参考文献
第6章 基于亮度感知的HDR场景再现
6.1 引言
6.2 相关工作介绍
6.3 存在的问题
6.4 基于亮度感知理论的HDR场景再现算法
6.4.1 HVS亮度感知理论
6.4.2 基于“双锚”理论的色调映算法
6.4.3 对比度
6.4.4 颜色校正
6.5 实验结果与分析
6.5.1 评价标准
6.5.2 能分析与比较
6.6 本章小结
参考文献
第7章 基于稀疏表示和可平移复方向金字塔变换的多曝光融合
7.1 引言
7.2 可平移复方向金字塔变换
7.3 基于稀疏表示和可平移复方向金字塔变换的多曝光融合
7.3.1 稀疏表示简介
7.3.2 基于稀疏表示和TDB的多曝光融合算法
7.4 实验结果与分析
7.4.1 评价标准
7.4.2 实验结果与分析
7.5 本章小结
参考文献
第8章 一种端到端深度学习框架下的多曝光图像融合算法
8.1 引言
8.2 存在的问题
8.3 端到端深度学习框架下的多曝光图像融合
8.4 实验结果与分析
8.5 本章小结
参考文献
第9章 基于生成对抗网络的多曝光图像融合框架
9.1 引言
9.2 GAN网络结构
9.2.1 标准GAN
9.2.2 相对GAN
9.. 相对平均GAN
9.2.4 二乘GAN
9.3 基于生成对抗网络的多曝光图像融合框架
9.3.1 基于GAN的多曝光图像融合架构
9.3.2 生成器网络结构
9.3.3 判别器网络结构
9.3.4 损失函数
9.4 实验结果
9.4.1 评价指标
9.4.2 结果分析
9.5 本章小结
参考文献
0章 总结与展望
10.1 总结
10.2 展望
王金华,女博士(后),副教授,北京联合大学教师。研究方向计算机视觉,机器学习。以作者发表研究12篇,其中SCI8篇,授权专利1项,软件著作权8项。在2012年,获得自然科学青年资1项,并作为骨干参加北京市属高等学校创新团队建设项目“图像理解及可视化应用”。
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格