Image Texture Analysis: Foundations, Models and Algorithms

ویرایش: 1st ed. 
نویسندگان: Chih-Cheng Hung,  Enmin Song,  Yihua Lan  
سری:  
ISBN (شابک) : 9783030137724 
ناشر: Springer International Publishing 
سال نشر: 2019 
تعداد صفحات: 264 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

قیمت کتاب (تومان) : 50,000



این کتاب درسی/مرجع مفید، یک آغازگر در دسترس در مورد مبانی تحلیل بافت تصویر، و همچنین مقدمه‌ای بر مدل K-views برای استخراج و طبقه‌بندی بافت‌های تصویر ارائه می‌کند. این کتاب که به سه بخش تقسیم شده است، با بررسی مدل‌ها و الگوریتم‌های موجود برای تحلیل بافت تصویر، قبل از پرداختن به جزئیات مدل K-views آغاز می‌شود. سپس کار با بحث در مورد روش‌های یادگیری عمیق رایج برای تجزیه و تحلیل بافت تصویر به پایان می‌رسد.

موضوعات و ویژگی‌ها: تمرین‌های خودآزمایی را در هر فصل ارائه می‌کند. اصول بافت تصویر، ویژگی های بافت و طبقه بندی و تقسیم بندی بافت تصویر را شرح می دهد. مجموعه‌ای از روش‌های پرکاربرد برای اندازه‌گیری و استخراج ویژگی‌های بافت، و الگوریتم‌های مختلف برای طبقه‌بندی بافت را بررسی می‌کند. مفاهیم کاهش ابعاد و نمایش پراکنده را توضیح می دهد. رویکردهای مبتنی بر دیدگاه برای طبقه‌بندی تصاویر را مورد بحث قرار می‌دهد. الگوریتم K-views و همچنین طیف وسیعی از انواع این الگوریتم را معرفی می کند. چندین مدل شبکه عصبی را برای یادگیری ماشین عمیق بررسی می کند و تمرکز خاصی را بر روی شبکه های عصبی کانولوشن ارائه می دهد.

این متن مقدماتی در مورد بافت تصویر تجزیه و تحلیل ایده آل برای دانشجویان ارشد و سال اول کارشناسی ارشد علوم کامپیوتر است، که از مثال های روشنگر متعدد ارائه شده در طول کار بهره مند خواهند شد.

This useful textbook/reference presents an accessible primer on the fundamentals of image texture analysis, as well as an introduction to the K-views model for extracting and classifying image textures. Divided into three parts, the book opens with a review of existing models and algorithms for image texture analysis, before delving into the details of the K-views model. The work then concludes with a discussion of popular deep learning methods for image texture analysis.

Topics and features: provides self-test exercises in every chapter; describes the basics of image texture, texture features, and image texture classification and segmentation; examines a selection of widely-used methods for measuring and extracting texture features, and various algorithms for texture classification; explains the concepts of dimensionality reduction and sparse representation; discusses view-based approaches to classifying images; introduces the template for the K-views algorithm, as well as a range of variants of this algorithm; reviews several neural network models for deep machine learning, and presents a specific focus on convolutional neural networks.

This introductory text on image texture analysis is ideally suitable for senior undergraduate and first-year graduate students of computer science, who will benefit from the numerous clarifying examples provided throughout the work.

Front Matter ....Pages i-xii
Front Matter ....Pages 1-1
 Image Texture, Texture Features, and Image Texture Classification and Segmentation  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 3-14
 Texture Features and Image Texture Models  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 15-50
 Algorithms for Image Texture Classification  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 51-102
 Dimensionality Reduction and Sparse Representation  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 103-127
Front Matter ....Pages 129-129
 Basic Concept and Models of the K-views  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 131-148
 Using Datagram in the K-views Model  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 149-161
 Features-Based K-views Model  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 163-182
 Advanced K-views Algorithms  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 183-198
Front Matter ....Pages 199-199
 Foundation of Deep Machine Learning in Neural Networks  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 201-232
 Convolutional Neural Networks and Texture Classification  (Chih-Cheng Hung, Enmin Song, Yihua Lan)....Pages 233-251
Back Matter ....Pages 253-258