幫助中心 | 我的帳號 | 關於我們

靜脈圖像修復與增強

  • 作者:王軍//潘在宇//申政文//左慧園|責編:惠雪
  • 出版社:科學
  • ISBN:9787030766427
  • 出版日期:2023/11/01
  • 裝幀:平裝
  • 頁數:114
人民幣:RMB 89 元      售價:
放入購物車
加入收藏夾

內容大鋼
    手部靜脈識別是一種新興的身份識別技術。與其他生物特徵識別相比,手部靜脈識別技術具有高安全性、活體檢測性和便利性等特性,也是目前最有效的生物特徵識別模式之一。本書主要闡述手部靜脈識別技術。首先介紹圖像修復與增強的研究意義、國內外靜脈圖像研究現狀,然後論述自製的靜脈圖像數據採集系統,針對靜脈圖像採集過程中存在諸多不可避免的因素,造成靜脈識別系統對靜脈信息表徵能力不足的問題,提出基於融合可變形模塊的U-Nct網路、基於非局部對抗的生成對抗網路、基於分離與表示的生成對抗網路的靜脈圖像修復方法,以及基於Actor-Critic、多尺度特徵融合、特徵解耦學習的低曝光靜脈圖像增強方法。
    本書可供從事圖像處理、模式識別(尤其是生物特徵識別方向)研究的專業技術人員以及信息處理、電腦科學等專業的研究生參考。

作者介紹
王軍//潘在宇//申政文//左慧園|責編:惠雪

目錄
前言
第1章  緒論
  1.1  靜脈圖像修復與增強概述
  1.2  靜脈圖像修復研究現狀
    1.2.1  傳統的圖像修復方法
    1.2.2  基於深度學習的圖像修復
    1.2.3  靜脈血管圖像修復
  1.3  靜脈圖像增強研究現狀
    1.3.1  低曝光圖像增強研究現狀
    1.3.2  靜脈圖像增強方法研究現狀
  1.4  本書研究內容
    1.4.1  主要研究工作
    1.4.2  本書的章節安排
第2章  靜脈圖像數據集
  2.1  靜脈圖像成像系統
    2.1.1  成像光源系統
    2.1.2  圖像採集系統
  2.2  靜脈圖像數據集類型
    2.2.1  自製靜脈圖像數據集
    2.2.2  公開靜脈紋圖像數據集
    2.2.3  低曝光手背靜脈圖像數據集
  2.3  靜脈圖像預處理
  2.4  本章小結
第3章  基於融合可變形模塊的U-Net網路的靜脈圖像修復
  3.1  基於卷積神經網路的圖像修復
    3.1.1  圖像風格轉換損失與圖像修復關係
    3.1.2  U-Net網路
  3.2  基於融合可變形模塊的U-Net桃型
    3.2.1  可變形卷積網路模塊
    3.2.2  生成網路
  3.3  修復網路訓練損失
    3.3.1  感知損失與風格損失
    3.3.2  對抗損失
  3.4  識別實驗與結果分析
  3.5  本章小結
第4章  基於非局部對抗的生成對抗網路的靜脈圖像修復
  4.1  生成對抗網路技術
    4.1.1  生成對抗網路模型與框架
    4.1.2  生成對抗網路的應用
  4.2  基於非局部對抗的生成對抗網路模型
    4.2.1  生成網路模型
    4.2.2  空洞卷積
    4.2.3  非局部網路模塊
  4.3  修復網路訓練損失
    4.3.1  對抗損失
    4.3.2  感知損失
    4.3.3  訓練總損失
  4.4  識別實驗與結果分析
  4.5  本章小結
第5章  基於分離與表示的生成對抗網路的靜脈圖像修復

  5.1  圖像到圖像的轉換
    5.1.1  成對圖像數據間的轉換
    5.1.2  非成對圖像數據間的轉換
  5.2  分離與表示的學習
    5.2.1  分離與表示研究現狀
    5.2.2  分離與表示應用
    5.2.3  點與線的分離
  5.3  修復網路訓練損失
    5.3.1  對抗損失
    5.3.2  循環一致性損失
    5.3.3  感知損失
  5.4  識別實驗與結果分析
  5.5  本章小結
第6章  基於Actor-Critic的低曝光靜脈圖像增強
  6.1  Actor-Critic框梨
  6.2  基於Actor-Critic的靜脈圖像增強網路
    6.2.1  可微圖像濾波器
    6.2.2  靜脈圖像增強的Actor-Critic網路框架
    6.2.3  靜脈圖像細節增強模塊
  6.3  識別實驗與結果分析
    6.3.1  模型訓練過程
    6.3.2  多個濾波函數實驗
    6.3.3  細節增強對比實驗
    6.3.4  ACN演算法與其他模型的對比實驗
    6.3.5  靜脈圖像識別率對比實驗
  6.4  本章小結
第7章  基於多尺度特徵融合的低曝光靜脈圖像增強
  7.1  多尺度特徵融合和通道注意力機制
    7.1.1  多尺度特徵融合
    7.1.2  通道注意力機制
  7.2  殘差單元介紹
  7.3  靜脈圖像多尺度特徵融合模型構建
    7.3.1  靜脈多尺度融合殘差塊設計
    7.3.2  多尺度融合模型的損失函數
  7.4  識別實驗與結果分析
    7.4.1  模型訓練過程
    7.4.2  靜脈多尺度融合殘差塊數量實驗
    7.4.3  注意力機制SE模塊對比實驗
    7.4.4  與其他模型的對比實驗
    7.4.5  靜脈圖像識別率對比實驗
  7.5  本章小結
第8章  基於特徵解耦學習的低曝光靜脈圖像增強
  8.1  自編碼網路與特徵解耦學習
    8.1.1  自編碼網路
    8.1.2  特徵解耦學習
  8.2  基於特徵解耦學習的靜脈圖像增強網路
    8.2.1  靜脈圖像背景與紋理特徵解耦網路
    8.2.2  靜脈圖像增強網路
  8.3  識別實驗與結果分析
    8.3.1  實驗數據集和模型訓練過程

    8.3.2  紋理特徵重建圖像對比實驗
    8.3.3  與其他模型的對比實驗
    8.3.4  靜脈圖像識別率對比實驗
  8.4  本章小結
參考文獻
後記

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032