深度學習之攝影圖像處理 核心算法與案例精粹

第 1章 攝影基礎(chǔ)
1．1　攝影簡史　016
1．1．1　攝影發(fā)展史　016
1．1．2　攝影流派　020
1．1．3　為什么學習攝影　022
1．2　攝影與圖像基本概念　022
1．2．1　像素與分辨率　023
1．2．2　像素深度與顏色　024
1．2．3　焦距　027
1．2．4　光圈　028
1．2．5　ISO感光度與噪點　029
1．2．6　快門與慢門　031
1．2．7　色溫與白平衡　032
1．2．8　對比度與清晰度　032
1．3　攝影基本技巧　034
1．3．1　顏色　034
1．3．2　構(gòu)圖　037
1．3．3　光線　043
1．4　小結(jié)　046
第　2章 圖像美學
2．1　圖像美學基礎(chǔ)　048
2．1．1　什么是圖像美學　048
2．1．2　圖像美學的應(yīng)用　048
2．1．3　圖像美學數(shù)據(jù)集　050
2．1．4　圖像美學的研究思路　052
2．2　傳統(tǒng)美學質(zhì)量評估方法　054
2．2．1　底層美學特征　055
2．2．2　攝影美學特征　056
2．2．3　通用與專用圖像特征　058
2．3　深度學習美學質(zhì)量評估方法　058
2．3．1　分類模型　059
2．3．2　回歸模型　061
2．3．3　排序模型　062
2．3．4　多任務(wù)學習模型　063
2．4　建筑圖像美學質(zhì)量評估實戰(zhàn)　064
2．4．1　數(shù)據(jù)集準備　065
2．4．2　模型設(shè)計與訓練　068
2．4．3　模型測試　069
2．5　小結(jié)　075
第3章　自動構(gòu)圖
3．1　構(gòu)圖基礎(chǔ)　078
3．1．1　構(gòu)圖的基本概念　078
3．1．2　構(gòu)圖的應(yīng)用場景　080
3．1．3　顯著目標數(shù)據(jù)集　081
3．1．4　構(gòu)圖數(shù)據(jù)集　082
3．2　自動構(gòu)圖的研究方法　085
3．2．1　自動構(gòu)圖的基本流程　085
3．2．2　基于構(gòu)圖準則的構(gòu)圖方法　086
3．2．3　基于顯著圖的構(gòu)圖方法　087
3．2．4　基于美學的研究方法　090
3．2．5　構(gòu)圖質(zhì)量評估　092
3．3　實時自動構(gòu)圖算法實戰(zhàn)　093
3．3．1　基于顯著圖的方法　093
3．3．2　與基于美學的方法對比　098
3．4　小結(jié)　100
第4章　圖像去噪
4．1　圖像去噪基礎(chǔ)　103
4．1．1　攝影中的噪聲　103
4．1．2　攝影中常用的去噪方法　105
4．1．3　常用去噪數(shù)據(jù)集　106
4．1．4　評估方法　109
4．2　傳統(tǒng)去噪方法研究　111
4．2．1　噪聲模型　111
4．2．2　常見濾波去噪方法　112
4．3　深度學習去噪方法研究　118
4．3．1　基本研究思路　118
4．3．2　核心技術(shù)　119
4．4　通用去噪模型實戰(zhàn)　123
4．4．1　訓練數(shù)據(jù)準備　124
4．4．2　模型訓練　127
4．4．3　模型測試　130
4．5　小結(jié)　133
第5章　圖像對比度與色調(diào)增強
5．1　圖像增強基礎(chǔ)　136
5．1．1　攝影中常用的圖像增強操作　136
5．1．2　圖像增強相關(guān)的數(shù)據(jù)集　139
5．2　傳統(tǒng)的對比度與色調(diào)增強方法　141
5．2．1　像素灰度映射　141
5．2．2　Retinex理論　143
5．3　深度學習對比度與色調(diào)增強方法　145
5．3．1　基于像素回歸的增強方法　145
5．3．2　基于參數(shù)預(yù)測的增強方法　149
5．4　自動對比度與色調(diào)增強實戰(zhàn)　153
5．4．1　項目解讀　153
5．4．2　模型訓練　160
5．4．3　模型測試　162
5．5　小結(jié)　165
第6章　人臉美顏與美妝
6．1　美顏與美妝技術(shù)的種類和應(yīng)用場景　168
6．2　基于濾波和變形的傳統(tǒng)美顏算法　169
6．2．1　五官重塑算法　169
6．2．2　基于濾波的磨皮算法　171
6．2．3　基于膚色模型的美白與膚色算法　172
6．3　妝造遷移算法　173
6．3．1　傳統(tǒng)妝造遷移算法　173
6．3．2　深度學習妝造遷移算法　175
6．4　妝造遷移算法實戰(zhàn)　178
6．4．1　項目解讀　179
6．4．2　模型訓練　190
6．4．3　模型測試　192
6．5　小結(jié)　194
第7章　圖像去模糊與超分
7．1　圖像去模糊與超分基礎(chǔ)　196
7．1．1　常見的模糊類型　196
7．1．2　超分的應(yīng)用場景　197
7．1．3　去模糊和超分數(shù)據(jù)集　198
7．2　圖像去模糊算法　199
7．2．1　基于優(yōu)化的去模糊算法　199
7．2．2　基于深度學習模型的去模糊算法　200
7．3　圖像超分算法　202
7．3．1　傳統(tǒng)的超分算法　202
7．3．2　基于深度學習的超分算法　203
7．4　基于SRGAN的人臉圖像超分重建實戰(zhàn)　208
7．4．1　項目解讀　208
7．4．2　模型訓練　213
7．4．3　模型測試　217
7．5　小結(jié)　219
第8章　圖像濾鏡與風格化
8．1　攝影風格與濾鏡基礎(chǔ)　222
8．1．1　攝影中的不同風格　222
8．1．2　攝影濾鏡與工具插件　224
8．2　傳統(tǒng)的圖像風格化方法　225
8．2．1　基于邊緣的風格化　225
8．2．2　基于顏色的風格化　226
8．3　基于深度學習的風格化方法　228
8．3．1　風格遷移基礎(chǔ)　228
8．3．2　基于圖像優(yōu)化的風格遷移算法　230
8．3．3　基于模型優(yōu)化的風格遷移算法　232
8．4　基于圖像優(yōu)化的風格遷移算法實戰(zhàn)　235
8．4．1　算法實現(xiàn)　235
8．4．2　模型訓練與結(jié)果　241
8．5　小結(jié)　245
第9章　圖像編輯
9．1　景深與背景編輯　248
9．1．1　攝影中的景深與背景虛化　248
9．1．2　深度數(shù)據(jù)集　250
9．1．3　基于深度學習模型的深度估計　251
9．1．4　景深編輯與重對焦　254
9．2　多重曝光與圖像融合　258
9．2．1　攝影中的多重曝光　258
9．2．2　自動圖像融合關(guān)鍵技術(shù)　260
9．3　紋理編輯與圖像修復(fù)　264
9．3．1　圖像修復(fù)應(yīng)用和常用工具　265
9．3．2　基于深度學習模型的圖像修復(fù)方法　266
9．4　小結(jié)　271