本书分为基础、进阶、实战三部分，共11章。基础部分，包括Python环境与基础、机器学习、图像处理基础、深度学习基础与深度神经网络。进阶部分，包括图神经网络、空洞多级卷积神经网络、深度强化学习与深度生成对抗网络。实战部分，包括基础实战案例和进阶实战案例。本书按基础-进阶-应用的逻辑脉络组织内容，融理论性、系统性、实战性于一体，适合人工智能、计算机、自动化、电子与通信、大数据科学等相关专业的科学研究人员和工程技术人员阅读，也可作为相关专业博士、硕士研究生的教学参考书。

本书围绕深度学习在图像处理领域的最新研究成果，从科学性、系统性、应用性和进阶性四个视角进行了全面阐述。从科学性视角出发，详细介绍了深度学习网络进阶模型的原理与特征；从系统性视角出发，本书所涉及的各种深度学习网络均起始于结构剖析，侧重于原理论述，落脚于方法在图像处理领域的应用，形成了完整的体系结构；从应用性视角出发，本书以图像处理中的最新应用为实战案例，展示了用深度学习解决图像处理问题的全过程，实现了抽象问题具体化和理论问题可视化；从进阶性视角出发，本书从Python语言的基础开始，逐步延伸到机器学习、图像处理基础、标准深度学习模型、进阶深度学习模型以及应用实战，扩展了深度学习网络的功能，提升了应用实效。这些内容为研究人员提供了创新思路和方法。

前言深度学习（Deep Learning，DL）是机器学习（Machine Learning，ML）领域中一个新的研究方向。深度学习旨在学习样本数据的内在规律和层次表示，在学习过程中，使机器获得信息并具备人类的分析和学习能力，从而可以模仿人类的视听和思考活动。通过逐步解决一系列简单问题，深度学习能够有效解决众多复杂的模式识别难题，使人工智能相关技术取得了很大进步。本书汇集了作者团队在深度学习与图像处理领域多年的研究心得和研究成果，同时借鉴了国内外重要期刊发表的最新研究成果以及相关博士、硕士学位论文中的精华内容。本书分为三部分，共11章，具体内容如下。第一部分是基础部分，共5章。第1章为Python环境与基础，简述了Python语言的开发环境、Python基础知识、基于Python的数据分析与可视化，以及基于Python的聚类算法。第2章为机器学习，详细介绍了机器学习和数据挖掘的相关内容。第3章为图像处理基础，介绍了图像去模糊、图像去噪、图像全色锐化及图像修复。第4章为深度学习基础，介绍了神经网络及其训练与优化、反向传播算法及欠拟合与过拟合问题。第5章为深度神经网络，首先简要介绍了深度神经网络概述，然后重点介绍了卷积神经网络及其算法，以及卷积神经网络的训练与优化。第二部分是进阶部分，共4章。第6章为图神经网络，介绍了图神经网络概述、经典的图神经网络以及其他图神经网络模型。第7章为空洞多级卷积神经网络，分别介绍了空洞多级模块、基于卷积神经网络的高效Pan-sharpening模型、深度学习结合模型优化的Pan-sharpening模型和多尺度空洞深度卷积神经网络。第8章为深度强化学习，首先介绍了它的组成与结构，然后介绍了深度学习与强化学习的不同与结合，最后分析了基于值函数的深度强化学习和基于策略梯度的深度强化学习。第9章为深度生成对抗网络，分别介绍了生成对抗网络、多尺度生成对抗网络、深度卷积生成对抗网络、半监督深度卷积生成对抗网络和深度强化对抗学习网络。第三部分是实战部分，共2章。第10章为基础实战案例，包括Python开发环境的安装与验证以及基于PCA-BP神经网络的数字仪器识别技术。通过基础实战案例，读者能初步架起神经网络与实际问题解决之间的桥梁，起抛砖引玉之功效。第11章为进阶实战案例，包括基于深度卷积神经网络的遥感图像分类、基于多尺度级联生成对抗网络的水下图像增强、基于多层次卷积特征融合与高置信度更新的跟踪、基于图生成对抗卷积网络的半监督睡眠分期、基于密集连接的序列稀疏化Transformer行人重识别、基于改进YOLOv5网络的无人机图像检测和基于级联多尺度特征融合残差网络的图像去噪。每个案例都沿着问题引入、原理导入、模型构建、仿真验证、结果分析的路径，从多角度分析、多原理融合、多要素实验等维度，全面深入地展现了深度学习在解决图像处理问题中的应用过程。通过部分实战案例代码，引导读者身临其境地参与实践。只要细心体味、勇于实践、善于创新，读者一定能够取得事半功倍的效果。本书围绕深度学习在图像处理领域的最新研究成果，从科学性、系统性、应用性和进阶性四个视角进行了全面阐述。从科学性视角出发，详细介绍了深度学习网络进阶模型的原理与特征；从系统性视角出发，本书所涉及的各种深度学习网络均起始于结构剖析，侧重于原理论述，落脚于方法在图像处理领域的应用，形成了完整的体系结构；从应用性视角出发，本书以图像处理中的最新应用为实战案例，展示了用深度学习解决图像处理问题的全过程，实现了抽象问题具体化和理论问题可视化；从进阶性视角出发，本书从Python语言的基础开始，逐步延伸到机器学习、图像处理基础、标准深度学习模型、进阶深度学习模型以及应用实战，扩展了深度学习网络的功能，提升了应用实效。这些内容为研究人员提供了创新思路和方法。本书由郭业才和梁美玉合著。其中，第1章到第7章，第10章及第11章中11.1节到11.5节和11.7节由郭业才著，而第8章、第9章及第11.6节由梁美玉著。本书在形成过程中，得到了国家一流专业电子信息工程建设项目、江苏省高校十四五重点学科电子科学与技术、江苏省集成电路可靠性技术及检测系统工程研究中心、无锡俊腾信息科技有限公司等的资助。在编写过程中，胡晓伟、周雪、孙京东、刘程、阳刚等研究生提供了帮助；对参阅并引用其他作者的相关论著，已列在参考文献中，如有遗漏，诚请原作者谅解。本书的出版还得到了机械工业出版社的大力支持，在此一并表示诚挚的谢意！由于作者水平有限，书中难免存在不当之处，敬请广大读者批评指正！

郭业才，男，教授，博导。2003年获西北工业大学水声工程专业博士学位，全国优秀百篇博士学位论文获得者，安徽省学术与技术带头人，江苏省六大人才高峰培养对象，江苏省高校信息与通信工程优势建设项目方向带头人。主持完成或承担了全国优秀博士学位论文作者专项资金、国家自然科学基金等科研项目和、省级教学研究项目等，共20余项；获省级科学技术成果奖和教学成果奖9项；出版规划教材1部、电子信息类教指委规划教材5部及省重点教材2部；获授权发明专利30余件；指导的研究生有5人获省级优秀硕士学位论文奖。

第1章Python环境与基础11.1Python语言的开发环境11.1.1Jupyter Notebook11.1.2OpenCV11.1.3TensorFlow21.1.4PyTorch31.1.5Paddle Paddle71.2Python基础知识81.2.1Python编程基础81.2.2Python函数进阶151.3基于Python的数据分析与可视化221.3.1Python的数据分析库与数据可视化库221.3.2基于Python的数据分析231.3.3基于Python的数据可视化231.4基于Python的聚类算法251.4.1聚类分析251.4.2聚类算法25第2章机器学习372.1机器学习的发展382.2机器学习的问题描述392.3机器学习的理论基础与主要方法392.3.1机器学习的理论基础392.3.2机器学习的主要方法402.3.3机器学习的经典模型422.3.4机器学习的知识图谱442.3.5机器学习的三要素462.4机器学习的基本流程462.4.1机器学习的训练流程462.4.2模型训练的注意事项482.5数据挖掘及其基本步骤492.5.1数据挖掘492.5.2预测建模512.5.3数据挖掘的基本步骤522.6机器学习和数据挖掘的常用工具53目录···深度学习与图像处理：基础、进阶与案例实战第3章图像处理基础553.1图像去模糊553.1.1图像模糊类型553.1.2图像模糊退化模型573.1.3图像先验知识583.2图像去噪603.2.1噪声模型603.2.2传统的图像去噪方法633.2.3去噪效果评价指标633.3图像全色锐化643.3.1成分替换法643.3.2GIHS变换融合653.3.3PCA变换融合663.3.4GS变换融合673.3.5多分辨率分析法673.3.6小波变换法683.3.7模型优化法693.4图像修复733.4.1图像修复概念733.4.2传统的图像修复算法733.4.3常用的图像修复数据集74第4章深度学习基础754.1神经网络754.1.1生物神经元与人工神经元764.1.2感知器784.2神经网络的训练与优化804.2.1神经网络的训练804.2.2神经网络的优化算法814.3反向传播算法864.3.1反向传播算法思想864.3.2反向传播算法过程874.4欠拟合与过拟合894.4.1基本概念904.4.2以减少特征变量的方法防止过拟合914.4.3以权重正则化的方法防止过拟合924.4.4以交叉验证的方法防止过拟合924.4.5以Dropout正则化的方法防止过拟合944.4.6贝叶斯正则化95第5章深度神经网络985.1深度神经网络概述985.1.1深度神经网络的工作原理985.1.2深度神经网络的主要模型1015.2卷积神经网络1025.2.1输入层1025.2.2隐藏层1035.2.3输出层（全连接层）1125.3卷积神经网络算法1135.3.1链式法则1135.3.2梯度下降与反向传播算法1135.3.3卷积层的误差传递1155.3.4卷积层权重梯度的计算1165.3.5池化层的误差传递1175.4卷积神经网络的训练与优化1185.4.1卷积神经网络的工作流程1185.4.2训练与优化1185.4.3卷积神经网络与人工神经网络的比较120第6章图神经网络1216.1图神经网络概述1216.1.1图神经网络的出现与发展1216.1.2图神经网络1236.2经典的图神经网络1246.2.1图卷积网络1246.2.2图样本和聚合1256.2.3图注意力网络1296.3其他图神经网络模型1316.3.1无监督的节点表示学习1316.3.2图池化140第7章空洞多级卷积神经网络1437.1空洞多级模块1437.1.1空洞卷积1437.1.2空洞多级模块结构1457.2基于卷积神经网络的高效Pan-sharpening模型1467.2.1数据集1467.2.2超参数设置与网络结构选择1487.2.3代价函数及其求解1507.3深度学习结合模型优化的Pan-sharpening模型1507.3.1基于梯度域的线性Pan-sharpening模型优化算法1517.3.2基于深度梯度先验的Pan-sharpening模型优化算法1547.4多尺度空洞深度卷积神经网络1607.4.1SRCNN1607.4.2超分辨率多尺度空洞卷积神经网络1617.4.3多尺度多深度空洞卷积神经网络164第8章深度强化学习1678.1组成与结构1678.1.1基本概念1678.1.2马尔可夫决策过程1688.1.3数学基础1698.1.4策略迭代1708.1.5值迭代1718.2深度学习与强化学习1718.2.1深度学习与强化学习之不同1728.2.2深度学习与强化学习之结合1738.3基于值函数的深度强化学习1738.3.1深度Q学习1748.3.2DQN与Q学习的区别1768.3.3改进深度Q网络1768.4基于策略梯度的深度强化学习1848.4.1深度确定性策略梯度算法1858.4.2异步深度强化学习算法1878.4.3信赖域策略优化及其衍生算法191第9章深度生成对抗网络1989.1生成对抗网络1989.1.1生成网络1999.1.2鉴别网络2009.1.3损失函数2019.2多尺度生成对抗网络2019.2.1多尺度结构2019.2.2多尺度生成对抗网络结构2029.2.3损失函数2049.3深度卷积生成对抗网络2049.3.1DCGAN的优化2059.3.2DCGAN的改进2069.3.3DCGAN的设计2069.4半监督深度卷积生成对抗网络2069.4.1YOLOv5网络结构2079.4.2改进的YOLOv5网络2129.4.3半监督YOLOv5网络2209.5深度强化对抗学习网络2239.5.1Exposure图像增强模型2249.5.2相对对抗学习及奖励函数2269.5.3评论家正则化策略梯度算法2279.5.4网络结构228第10章基础实战案例22910.1Python开发环境的安装与验证22910.1.1Python安装22910.1.2OpenCV安装与验证23210.1.3TensorFlow安装与验证23410.2基于PCA-BP神经网络的数字仪器识别技术24910.2.1表盘区域提取25010.2.2图像预处理25010.2.3字符识别25110.2.4字符识别的神经网络25110.2.5实验设计254第11章进阶实战案例25611.1基于深度卷积神经网络的遥感图像分类25611.1.1基于卷积神经网络的遥感图像识别25611.1.2基于改进AlexNet网络的遥感图像分类25711.1.3仿真实验与结果分析26011.2基于多尺度级联生成对抗网络的水下图像增强26511.2.1网络结构和损失函数26511.2.2仿真实验与结果分析26811.2.3消融实验27611.3基于多层次卷积特征融合与高置信度更新的跟踪27611.3.1基于多层次卷积特征融合与高置信度更新的跟踪算法27711.3.2仿真实验与结果分析28011.4基于图生成对抗卷积网络的半监督睡眠分期28911.4.1睡眠信号基本理论29011.4.2GSGANet模型29511.4.3仿真实验与结果分析30011.5基于密集连接的序列稀疏化Transformer行人重识别30611.5.1密集连接的稀疏Transformer模型30711.5.2仿真实验与结果分析31111.6基于改进YOLOv5网络的无人机图像检测31711.6.1问题与解决思路31811.6.2算法原理31811.6.3仿真实验与结果分析32111.7基于级联多尺度特征融合残差网络的图像去噪32611.7.1问题与解决思路32711.7.2模型与架构分析32811.7.3仿真实验与结果分析332参考文献337附录341