Книга "Graph Spectral Image Processing" авторства доктора наук в области инженерии информационных технологий и руководителя проекта Pervasive Computing Lab в Университете Калгари — Graph Spectral Learning и директора школы Робаронинга Цзяна Чжэнга предлагает читателям углубиться в теорию обработки сигналов. Благодаря этой книге они смогут понять новый взгляд на визуальные данные из точки зрения частотной интерпретации их структуры, основанной на особенностях и структуре графа.
В современной цифровой обработке изображений, которые обрабатываются путем захвата значительных объемов визуализированных данных, например, 2D изображений с высоким разрешением, а также видео
Эта книга — введение в графические спектральные методы анализа изображений. Охватывает множество типов визуальной информации: от изображений с высоким разрешением и высоким числом градаций до гиперспектральных изображений, и даже трехмерных облаков точек. Книга делится на две части. В первой изложены базовые концепции графических методов спектрального анализа, включая фильтрацию сигналов на графе, автоматическое обучение и нейронные сети. Во второй части подробно рассматриваются различные приложения анализа изображений, такие как сжатие изображений, восстановление изображений, обработка облаков точек, сегментация изображений и их классификация. Также в книге говорится о применении нейронных сетей для обработки изображений с помощью графических спектральных методов.
Электронная Книга «Graph Spectral Image Processing» написана автором Gene Cheung в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9781119850816
Описание книги от Gene Cheung
Graph spectral image processing is the study of imaging data from a graph frequency perspective. Modern image sensors capture a wide range of visual data including high spatial resolution/high bit-depth 2D images and videos, hyperspectral images, light field images and 3D point clouds. The field of graph signal processing – extending traditional Fourier analysis tools such as transforms and wavelets to handle data on irregular graph kernels – provides new flexible computational tools to analyze and process these varied types of imaging data. Recent methods combine graph signal processing ideas with deep neural network architectures for enhanced performances, with robustness and smaller memory requirements.<br /><br />The book is divided into two parts. The first is centered on the fundamentals of graph signal processing theories, including graph filtering, graph learning and graph neural networks. The second part details several imaging applications using graph signal processing tools, including image and video compression, 3D image compression, image restoration, point cloud processing, image segmentation and image classification, as well as the use of graph neural networks for image processing.
