本书是一本具有实践导向性的教材，主要面向信息工程专业的学生和从事图像处理的读者。本书以图像处理技术为主线，介绍了深度学习在图像处理中的理论和应用。 本书的核心内容涵盖了深度学习的各个层面，包括设计卷积神经网络的基础知识、低阶和高阶图像处理任务的实现等。这些内容不仅包含理论介绍，还包括大量的实例代码，使用Python语言及当前流行的深度学习环境，帮助读者理解和实践深度学习在图像处理中的应用。在低阶图像处理任务部分，本书详细介绍了图像去噪、去模糊、增强和超分辨率重建等任务。在高阶图像处理任务部分，读者将学习到如何使用深度学习方法进行图像分类、目标检测、语义分割和实例分割等。 本书旨在通过理论介绍与实践案例相结合的方式，帮助读者更好地理解并掌握深度学习在图像处理领域的应用，是一本理论与实践并重、实用性强的教材。

高等院校教师

目录
前言
第1章数字图像处理概述 1
1.1　数字图像处理的基本概念 1
1.2　数字图像处理系统的组成 3
1.3　数字图像处理的应用 4
1.4　数字图像处理任务的层次划分 7
本章总结 8
习题 8
第2章Python语言编程基础 9
2.1　Python语言简介 9
2.2　Python语言的基本语法 11
2.2.1　Python语言的基本编程语法 12
2.2.2　Python语言的基本流程控制 14
2.2.3　Python语言的内置库和函数 17
2.2.4　Python语言的面向对象 18
2.2.5　Python语言的异常处理 22
2.2.6　Python语言的IO处理 23
2.3　Python-OpenCV的应用 24
2.3.1　Python-OpenCV简介 24
2.3.2　Python-OpenCV的基本图像
处理操作 24
本章总结 31
习题 31
第3章深度学习图像处理技术基础 32
3.1　深度学习的基本概念 32
3.2　卷积神经网络的基本构成及
Python实现 36
3.2.1　卷积神经网络的基本构成 36
3.2.2　几种典型的卷积神经网络 41
3.2.3　卷积神经网络的训练与测试 50
3.3　深度学习图像处理平台搭建 51
3.4　实例：基于深度学习的手写数字
识别 53
本章总结 57
习题 57
第4章基于深度学习的图像去噪 58
4.1　图像去噪概述 58
4.2　基于深度学习的图像去噪网络
的发展 59
4.3　实例：基于深度学习的图像去噪网络FFDNet 60
4.3.1　FFDNet简介 60
4.3.2　FFDNet的结构与工作原理 61
4.3.3　FFDNet的训练与测试 62
4.3.4　FFDNet图像去噪测试结果
分析 67
本章总结 68
习题 68
第5章基于深度学习的图像去模糊 69
5.1　图像去模糊概述 69
5.2　基于深度学习的图像去模糊的发展 71
5.3　实例：基于深度学习的图像去模糊
网络DeblurGAN-v2 73
5.3.1　DeblurGAN-v2简介 73
5.3.2　DeblurGAN-v2的结构与工作
原理 73
5.3.3　DeblurGAN-v2的训练与测试 75
5.3.4　DeblurGAN-v2图像去模糊测试结果分析 80
本章总结 81
习题 81
第6章基于深度学习的图像增强 82
6.1　图像增强概述 82
6.1.1　频率域法 82
6.1.2　空间域法 83
6.1.3　基于深度学习的图像增强法 83
6.2　基于深度学习的图像增强的发展 84
6.3　实例：基于深度学习的图像增强网络RetinexNet 85
6.3.1　RetinexNet简介　 85
6.3.2　RetinexNet的结构与工作原理 86
6.3.3　FFDNet的训练与测试 90
6.3.4　RetinexNet图像增强测试结果
分析 98
本章总结 99
习题 99
第7章　基于深度学习的图像
超分辨率重建 100
7.1　图像超分辨率重建概述 100
7.2　基于深度学习的图像超分辨率重建
网络的发展 101
7.3　实例：基于深度学习的图像超
分辨率重建网络ESRGAN 103
7.3.1　ESRGAN简介 103
7.3.2　ESRGAN的结构与工作原理 103
7.3.3　ESRGAN的训练与测试 106
7.3.4　ESRGAN图像超分辨率重建
结果分析 117
本章总结 118
习题 119
第8章基于深度学习的图像识别 120
8.1　图像识别概述 120
8.2　基于深度学习的图像识别的发展 122
8.3　实例：基于深度学习的图像识别
网络CNN 125
8.3.1　CNN简介　 125
8.3.2　CNN的结构与工作原理 125
8.3.3　CNN的训练与测试 126
8.3.4　CNN图像识别测试结果分析 141
本章总结 143
习题 143
第9章基于深度学习的目标检测 144
9.1　目标检测概述 144
9.2　基于深度学习的目标检测网络的
发展 146
9.2.1　两阶段检测的发展 146
9.2.2　单阶段检测的发展 147
9.2.3　深度学习目标检测数据集的
发展 148
9.3　实例：基于深度学习的目标检测
网络YOLOv4 149
9.3.1　YOLOv4简介 149
9.3.2　YOLOv4的结构与工作原理 149
9.3.3　YOLOv4的训练与测试 154
9.3.4　YOLOv4目标检测测试
结果分析 158
本章总结 159
习题 159
第10章基于深度学习的图像分割 160
10.1　图像分割概述 160
10.1.1　语义分割概述 160
10.1.2　实例分割概述 161
10.2　基于深度学习的图像分割网络
的发展 162
10.2.1　语义分割网络的发展 162
10.2.2　图像语义分割数据集 165
10.2.3　实例分割网络的发展 166
10.2.4　图像实例分割数据集 169
10.2.5　图像语义分割性能评估指标 169
10.3　实例：基于深度学习的图像分割网络DeepLabV3+、Mask R-CNN 170
10.3.1　DeepLabV3+简介 170
10.3.2　DeepLabV3+的结构与工作
原理 170
10.3.3　DeepLabV3+网络的训练
与测试 176
10.3.4　DeepLabV3+语义分割测试
结果分析 178
10.3.5　Mask R-CNN简介 180
10.3.6　Mask R-CNN的结构与工作
原理 181
10.3.7　Mask R-CNN的训练与测试 190
10.3.8　Mask R-CNN实例分割测试
结果分析 191
本章总结 192
习题 193
参考文献 194