●前言
第1章 深度圖像分割
1.1 深度圖像傳統分割方法
1.1.1 基於邊緣的分割方法
1.1.2 基於區域的分割方法
1.1.3 傳統深度圖像分割方法的缺陷
1.2 深度圖像數學形態學分割
1.2.1 數學形態學基礎理論
1.2.2 深度形態學基礎理論
1.2.3 深度形態學基本運算
1.3 深度圖像分割新方法
1.3.1 深度圖像預處理
1.3.2 基於形態學算子的深度圖像分割
1.3.3 基於水線區域的深度圖像分割
1.4 方法驗證與評估
1.4.1 計算機仿真
1.4.2 實驗結果
1.4.3 深度圖像分割方法評估體繫
1.5 本章小結
參考文獻
第2章 基於參數活動輪廓和向量場卷積的圖像分割
2.1 活動輪廓模型理論
2.1.1 活動輪廓模型基本思想與分類
2.1.2 曲線演化理論
2.1.3 參數活動輪廓模型原理
2.1.4 幾何活動輪廓模型
2.1.5 Snake模型
2.2 Snake參數輪廓模型改進
2.2.1 Snake模型改進
2.2.2 改進力構成
2.3 實驗結果
2.3.1 仿真實驗說明
2.3.2 不同圖像分割法結果分析
2.4 本章小結
參考文獻
第3章 點雲模型偽洞修補與區域分割
3.1 點雲模型基礎
3.1.1 點雲模型基本理論
3.1.2 點雲模型幾何特性
3.1.3 曲率估算
3.2 偽洞檢測與修補
3.2.1 偽洞基本理論
3.2.2 檢測偽洞邊界點
3.2.3 偽洞邊界提取
3.2.4 偽洞填充彌補
3.3 區域分割方法
3.3.1 傳統區域分割方法驗證
3.3.2 活動輪廓模型分割方法驗證
3.3.3 實驗結果
3.4 本章小結
參考文獻
第4章 基於計算機視覺的水果分級
4.1 基於深度學習的水果分級
4.1.1 基於數字圖像處理的水果分級方法
4.1.2 基於深度學習的水果分級方法
4.2 水果分級模型的優化和改進
4.2.1 數據優化
4.2.2 VGG16結構優化
4.3 本章小結
參考文獻
第5章 基於深度學習的花卉圖像分類
5.1 基於多損失注意力網絡的花卉圖像分類
5.1.1 Xception模型概述
5.1.2 注意力機制
5.1.3組損失函數
5.1.4 多損失注意力網絡模型設計
5.1.5 實驗結果
5.2 基於多損失注意力雙線性網絡的花卉圖像分類
5.2.1 殘差網絡
5.2.2 雙線性卷積神經網絡模型
5.2.3 多損失注意力雙線性網絡設計
5.2.4 實驗結果
5.3 本章小結
參考文獻
彩圖
