人工智能與圖像處理：基於機器學習和深度學習

目 錄
第1章　高光譜遙感圖像與人工智能概述 1
1.1　高光譜遙感圖像的發展歷史 1
1.2　高光譜遙感圖像處理技術與應用 3
1.2.1 高光譜遙感圖像的光譜分辨率優勢 3
1.2.2 高光譜遙感圖像處理的主要任務 3
1.2.3 高光譜遙感圖像的主要應用 3
1.3　高光譜遙感圖像分類方法與機器學習 5
1.4　高光譜遙感圖像分類方法與深度學習 6
1.5　總結與發展趨勢 8
第2章　高維圖像的降維與特征提取方法 9
2.1　主成分分析方法 9
2.1.1　基本原理分析 10
2.1.2　算法設計與實現 12
2.1.3　小結 14
2.2　線性判別分析方法 15
2.2.1　基本原理分析 15
2.2.2　算法設計與實現 17
2.2.3　小結 19
2.3　獨立成分分析方法 19
2.3.1　基本原理分析 19
2.3.2　算法設計與實現 21
2.3.3　小結 23
2.4　特征選擇方法 23
2.4.1　基本原理分析 24
2.4.2　案例分析 25
2.4.3　小結 28
第3章　基於機器學習的圖像分類方法 29
3.1　線性回歸圖像分類方法 30
3.1.1　基本原理分析 30
3.1.2　算法設計與實現 34
3.1.3　小結 39
3.2　邏輯回歸圖像分類方法 39
3.2.1　基本原理分析 40
3.2.2　算法設計與實現 44
3.2.3　小結 48
3.3　樸素貝葉斯圖像分類方法 48
3.3.1　基本原理分析 49
3.3.2　算法設計與實現 51
3.3.3　小結 56
3.4　KNN圖像分類方法 56
3.4.1　基本原理分析 57
3.4.2　算法設計與實現 59
3.4.3　小結 64
3.5　SVM圖像分類方法 64
3.5.1　基本原理分析 64
3.6.2　算法設計與實現 68
3.5.3　小結 72
3.6　K-means圖像分類方法 73
3.6.1　基本原理分析 73
3.6.2　算法設計與實現 75
3.6.3　小結 79
3.7　決策樹圖像分類方法 79
3.7.1　基本原理分析 80
3.7.2　算法設計與實現 82
3.7.3　小結 86
3.8　隨機森林圖像分類方法 86
3.8.1　基本原理分析 87
3.8.2　算法設計與實現 89
3.8.3　小結 92
第4章　PyTorch深度學習框架 93
4.1　PyTorch架構與功能 93
4.1.1　PyTorch簡介 93
4.1.2　PyTorch的基本概念 95
4.1.3　PyTorch的核心模塊 98
4.1.4　深度學習模型的構建與訓練 101
4.1.5　數據處理與加載 105
4.1.6　PyTorch的高階功能 109
4.1.7　小結 112
4.2　PyTorch應用案例：構建一個簡單的CNN模型 112
4.2.1　應用案例簡介 112
4.2.2　實現步驟 112
4.2.7　小結 116
第5章　基於PyTorch深度學習圖像分類方法 117
5.1　多層感知機圖像分類方法 118
5.1.1 基本原理分析 118
5.1.2 算法設計與實現 122
5.1.3 小結 128
5.2　CNN圖像分類方法 128
5.2.1 基本原理分析 128
5.2.2 算法設計與實現 132
5.2.3 小結 139
5.3　DBN圖像分類方法 139
5.3.1 基本原理分析 140
5.3.2 算法設計與實現 143
5.3.3 小結 151
5.4　RNN圖像分類方法 151
5.4.1 基本原理分析 152
5.4.2 算法設計與實現 154
5.4.3 小結 161
5.5　GAN圖像分類方法 161
5.5.1 基本原理分析 162
5.5.2 算法設計與實現 164
5.5.3 小結 172
5.6　自編碼器圖像分類方法 172
5.6.1 基本原理分析 172
5.6.2 算法設計與實現 175
5.6.3 小結 183
5.7　註意力機制圖像分類方法 183
5.7.1 基本原理分析 183
5.7.2 算法設計與實現 188
5.7.3 小結 196
5.8　深度強化學習圖像分類方法 196
5.8.1 基本原理分析 197
5.8.2 算法設計與實現 201
5.8.3 小結 209
參考文獻 210