ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Nonlinear eigenproblems in image processing and computer vision

دانلود کتاب مشکلات ویژه غیر خطی در پردازش تصویر و بینایی رایانه

Nonlinear eigenproblems in image processing and computer vision

مشخصات کتاب

Nonlinear eigenproblems in image processing and computer vision

ویرایش:  
نویسندگان:   
سری: ACVPR 
ISBN (شابک) : 9783319758466, 9783319758473 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 186 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 60,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


در صورت تبدیل فایل کتاب Nonlinear eigenproblems in image processing and computer vision به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مشکلات ویژه غیر خطی در پردازش تصویر و بینایی رایانه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مشکلات ویژه غیر خطی در پردازش تصویر و بینایی رایانه

این متن/مرجع منحصربه‌فرد نگاهی تازه به پردازش غیرخطی از طریق تجزیه و تحلیل ارزش ویژه غیرخطی ارائه می‌کند و نشان می‌دهد که چگونه توابع محدب همگن می‌توانند عملگرهای غیرخطی را القا کنند که می‌توانند در چارچوب ارزش ویژه تحلیل شوند. متن با مقدمه‌ای بر پس‌زمینه ریاضی، همراه با خلاصه‌ای از الگوریتم‌های تغییر کلاسیک برای بینایی باز می‌شود. این امر با تمرکز بر مبانی و کاربردهای نمایش چند مقیاسی جدید مبتنی بر مشکلات ویژه غیرخطی دنبال می‌شود. سپس این کتاب با بحث در مورد تکنیک‌های عددی جدید برای یافتن توابع ویژه غیرخطی، و جهت‌های تحقیقاتی نویدبخش فراتر از حالت محدب به پایان می‌رسد. موضوعات و ویژگی‌ها: تبدیل فوریه کلاسیک و عملگر و انرژی مرتبط با آن را معرفی می‌کند و می‌پرسد چگونه می‌توان این مفاهیم را در حالت غیرخطی تعمیم داد. مفهوم پایه ریاضی را مرور می کند و به طور خلاصه استفاده از روش های متغیر و مبتنی بر جریان را برای حل الگوریتم های پردازش تصویر و بینایی کامپیوتری تشریح می کند. ویژگی‌های تابعی تغییر کل (TV) و چگونگی ارتباط مفهوم توابع ویژه غیرخطی با توابع محدب را شرح می‌دهد. یک چارچوب طیفی برای توابع یکسان ارائه می‌کند و این چارچوب را برای حذف نویز، پردازش بافت و ترکیب تصویر اعمال می‌کند. راه‌های جدیدی را برای حل مسئله ارزش ویژه غیرخطی با استفاده از جریان‌های خاصی که به توابع ویژه همگرا می‌شوند، پیشنهاد می‌کند. روش‌های مبتنی بر نمودار و غیرمحلی را بررسی می‌کند، که برای آن‌ها، تجزیه و تحلیل مقدار ویژه تلویزیون منجر به تقسیم‌بندی، خوشه‌بندی و الگوریتم‌های طبقه‌بندی قوی می‌شود. رویکردی برای تعمیم مفهوم طیفی غیرخطی فراتر از حالت محدب، بر اساس تحلیل فروپاشی پیکسل ارائه می‌کند. روابط با سایر شاخه های پردازش تصویر، مانند موجک ها و روش های مبتنی بر فرهنگ لغت را مورد بحث قرار می دهد. این کار اصلی، بینش‌های جدید و جذابی را در مورد تکنیک‌های پردازش سیگنال ارائه می‌کند، مفاهیم عمیق ریاضی را از طیف وسیعی از زمینه‌های مختلف ادغام می‌کند، که برای همه محققانی که با پردازش تصویر و برنامه‌های بینایی کامپیوتری مرتبط هستند، و همچنین محاسباتی برای علمی‌تر عمومی‌تر، مورد توجه قرار خواهد گرفت. چالش ها و مسائل.


توضیحاتی درمورد کتاب به خارجی

This unique text/reference presents a fresh look at nonlinear processing through nonlinear eigenvalue analysis, highlighting how one-homogeneous convex functionals can induce nonlinear operators that can be analyzed within an eigenvalue framework. The text opens with an introduction to the mathematical background, together with a summary of classical variational algorithms for vision. This is followed by a focus on the foundations and applications of the new multi-scale representation based on non-linear eigenproblems. The book then concludes with a discussion of new numerical techniques for finding nonlinear eigenfunctions, and promising research directions beyond the convex case. Topics and features: introduces the classical Fourier transform and its associated operator and energy, and asks how these concepts can be generalized in the nonlinear case; reviews the basic mathematical notion, briefly outlining the use of variational and flow-based methods to solve image-processing and computer vision algorithms; describes the properties of the total variation (TV) functional, and how the concept of nonlinear eigenfunctions relate to convex functionals; provides a spectral framework for one-homogeneous functionals, and applies this framework for denoising, texture processing and image fusion; proposes novel ways to solve the nonlinear eigenvalue problem using special flows that converge to eigenfunctions; examines graph-based and nonlocal methods, for which a TV eigenvalue analysis gives rise to strong segmentation, clustering and classification algorithms; presents an approach to generalizing the nonlinear spectral concept beyond the convex case, based on pixel decay analysis; discusses relations to other branches of image processing, such as wavelets and dictionary based methods. This original work offers fascinating new insights into established signal processing techniques, integrating deep mathematical concepts from a range of different fields, which will be of great interest to all researchers involved with image processing and computer vision applications, as well as computations for more general scientific problems.



فهرست مطالب

What are Nonlinear Eigenproblems and Why are They Important?......Page 7
 Basic Intuition and Examples......Page 9
 References......Page 13
Acknowledgements......Page 15
Contents......Page 16
 1.1 Reminder of Very Basic Operators and Definitions......Page 20
  1.1.1 Integration by Parts (Reminder)......Page 21
 1.2 Some Standard Spaces......Page 22
 1.3 Euler–Lagrange......Page 23
  1.3.1 E–L of Some Functionals......Page 24
  1.3.2 Some Useful Examples......Page 25
  1.3.4 Norms Without Derivatives......Page 26
  1.3.5 Seminorms with Derivatives......Page 27
  1.4.1 Convex Function and Functional......Page 28
  1.4.3 Subdifferential......Page 29
  1.5.1 Definition and Basic Properties......Page 30
 References......Page 33
 2.1 Variation Modeling by Regularizing Functionals......Page 34
  2.1.1 Regularization Energies and Their Respective E-L......Page 36
  2.2.1 Gaussian Scale Space......Page 37
  2.2.2 Perona–Malik Nonlinear Diffusion......Page 38
  2.2.3 Weickert's Anisotropic Diffusion......Page 39
  2.2.4 Steady-State Solution......Page 40
  2.3.1 Background......Page 41
  2.3.2 Early Attempts for Solving the Optical Flow Problem......Page 43
  2.3.3 Modern Optical Flow Techniques......Page 44
  2.4.2 Mumford–Shah......Page 45
  2.4.3 Chan–Vese Model......Page 46
  2.4.4 Active Contours......Page 47
  2.5.1 Background......Page 48
  2.5.2 Graph Laplacian......Page 49
  2.5.3 A Nonlocal Mathematical Framework......Page 50
  2.5.4 Basic Models......Page 53
 References......Page 54
 3.1 Strong and Weak Definitions......Page 57
 3.3 Definition of BV......Page 58
  3.4.2 ROF, TV-L1, and TV Flow......Page 59
 References......Page 61
 4.1 Introduction......Page 62
 4.2 One-Homogeneous Functionals......Page 63
 4.3 Properties of Eigenfunction......Page 64
 4.4 Eigenfunctions of TV......Page 65
  4.4.1 Explicit TV Eigenfunctions in 1D......Page 66
  4.5.1 Measure of Affinity of Nonlinear Eigenfunctions......Page 70
 References......Page 73
  5.2.1 Scale Space Representation......Page 75
 5.3 Signal Processing Analogy......Page 77
  5.3.2 Spectral Response......Page 79
  5.4.1 Variational Representation......Page 82
  5.4.2 Scale Space Representation......Page 86
  5.4.3 Inverse Scale Space Representation......Page 87
  5.4.4 Definitions of the Power Spectrum......Page 89
  5.5.1 Basic Conditions on the Regularization......Page 90
  5.5.2 Connection Between Spectral Decompositions......Page 93
  5.5.3 Orthogonality of the Spectral Components......Page 98
  5.5.4 Nonlinear Eigendecompositions......Page 104
 References......Page 106
 6.2 Simplification and Denoising......Page 108
  6.2.1 Denoising with Trained Filters......Page 113
 6.3 Multiscale and Spatially Varying Filtering Horesh–Gilboa......Page 115
 6.4 Face Fusion and Style Transfer......Page 117
 References......Page 119
 7.1 Linear Methods......Page 121
 7.2 Hein–Buhler......Page 122
 7.3 Nossek–Gilboa......Page 123
  7.3.1 Flow Main Properties......Page 124
  7.3.2 Inverse Flow......Page 127
  7.3.4 Properties of the Discrete Flow......Page 128
  7.3.5 Normalized Flow......Page 131
 7.4 Aujol et al. Method......Page 134
 References......Page 136
 8.1 Graph Total Variation Analysis......Page 137
 8.2 Graph P-Laplacian Operators......Page 138
 8.3 The Cheeger Cut......Page 140
 8.4 The Graph 1-Laplacian......Page 141
  8.5.1 Flow Main Properties......Page 143
  8.5.2 Numerical Scheme......Page 144
  8.5.3 Algorithm......Page 145
 References......Page 146
 9.1 General Decomposition Based on Nonlinear Denoisers......Page 147
  9.1.2 Inverse Transform, Spectrum, and Filtering......Page 148
  9.1.3 Determining the Decay Profiles......Page 149
 9.2 Blind Spectral Decomposition......Page 150
 9.3 Theoretical Analysis......Page 152
  9.3.2 Relation to Known Transforms......Page 153
 References......Page 154
 10.1 Decomposition into Eigenfunctions......Page 155
  10.2.1 Haar Wavelets......Page 156
 10.3 Rayleigh Quotients and SVD Decomposition......Page 157
 10.4 Sparse Representation by Eigenfunctions......Page 162
  10.4.2 Dictionaries from One-Homogeneous Functionals......Page 163
 References......Page 164
 11.1 Spectral Total Variation Local Time Signatures  for Image Manipulation and Fusion......Page 165
 11.2 Spectral AATV (Adapted Anisotropic Total Variation) …......Page 167
 11.3 TV Spectral Hashing......Page 169
 11.4 Some Open Problems......Page 171
 Reference......Page 172
 A.1  Derivative Operators......Page 173
  A.2.2  Evolutions......Page 174
 A.3  Basic Numerics for Solving TV......Page 175
  A.3.2  Lagged Diffusivity......Page 176
  A.4.1  The Proximal Operator......Page 177
  A.4.2  Examples of Proximal Functions......Page 178
  A.4.5  Chambolle–Pock......Page 179
  A.5.1  Basic Discretization......Page 180
  A.5.2  Steepest Descent......Page 181
Appendix  Glossary......Page 183
 References......Page 184
Index......Page 185




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی