人工智能与图像处理：基于机器学习和深度学习

本书从机器学习与深度学习的基础出发，逐步深入探讨如何运用各类算法实现高效的图像分类处理。全书分为四大部分，涵盖了机器学习算法（如线性回归、逻辑回归、支持向量机等）以及深度学习框架（如PyTorch）的实际应用。本书不仅详细阐述了经典算法的基本原理，还通过多个实战案例展示了这些算法在图像处理中的具体实现步骤。读者将学习如何利用卷积神经网络、循环神经网络、生成对抗网络等前沿技术，解决复杂的图像分类问题。

廖建尚，教授，博士，长期从高光谱遥感图像、人工智能开发、嵌入式系统开发、物联网系统等的研究。主持广东省自然基金等省级以上项目8项；发表论文20多篇，其中SCI和EI收录10多篇，出版教材著作10多部，授权专利10多项，授权软件著作10多项。

目 录
第1章　高光谱遥感图像与人工智能概述 1
1.1　高光谱遥感图像的发展历史 1
1.2　高光谱遥感图像处理技术与应用 3
1.2.1 高光谱遥感图像的光谱分辨率优势 3
1.2.2 高光谱遥感图像处理的主要任务 3
1.2.3 高光谱遥感图像的主要应用 3
1.3　高光谱遥感图像分类方法与机器学习 5
1.4　高光谱遥感图像分类方法与深度学习 6
1.5　总结与发展趋势 8
第2章　高维图像的降维与特征提取方法 9
2.1　主成分分析方法 9
2.1.1　基本原理分析 10
2.1.2　算法设计与实现 12
2.1.3　小结 14
2.2　线性判别分析方法 15
2.2.1　基本原理分析 15
2.2.2　算法设计与实现 17
2.2.3　小结 19
2.3　独立成分分析方法 19
2.3.1　基本原理分析 19
2.3.2　算法设计与实现 21
2.3.3　小结 23
2.4　特征选择方法 23
2.4.1　基本原理分析 24
2.4.2　案例分析 25
2.4.3　小结 28
第3章　基于机器学习的图像分类方法 29
3.1　线性回归图像分类方法 30
3.1.1　基本原理分析 30
3.1.2　算法设计与实现 34
3.1.3　小结 39
3.2　逻辑回归图像分类方法 39
3.2.1　基本原理分析 40
3.2.2　算法设计与实现 44
3.2.3　小结 48
3.3　朴素贝叶斯图像分类方法 48
3.3.1　基本原理分析 49
3.3.2　算法设计与实现 51
3.3.3　小结 56
3.4　KNN图像分类方法 56
3.4.1　基本原理分析 57
3.4.2　算法设计与实现 59
3.4.3　小结 64
3.5　SVM图像分类方法 64
3.5.1　基本原理分析 64
3.6.2　算法设计与实现 68
3.5.3　小结 72
3.6　K-means图像分类方法 73
3.6.1　基本原理分析 73
3.6.2　算法设计与实现 75
3.6.3　小结 79
3.7　决策树图像分类方法 79
3.7.1　基本原理分析 80
3.7.2　算法设计与实现 82
3.7.3　小结 86
3.8　随机森林图像分类方法 86
3.8.1　基本原理分析 87
3.8.2　算法设计与实现 89
3.8.3　小结 92
第4章　PyTorch深度学习框架 93
4.1　PyTorch架构与功能 93
4.1.1　PyTorch简介 93
4.1.2　PyTorch的基本概念 95
4.1.3　PyTorch的核心模块 98
4.1.4　深度学习模型的构建与训练 101
4.1.5　数据处理与加载 105
4.1.6　PyTorch的高阶功能 109
4.1.7　小结 112
4.2　PyTorch应用案例：构建一个简单的CNN模型 112
4.2.1　应用案例简介 112
4.2.2　实现步骤 112
4.2.7　小结 116
第5章　基于PyTorch深度学习图像分类方法 117
5.1　多层感知机图像分类方法 118
5.1.1 基本原理分析 118
5.1.2 算法设计与实现 122
5.1.3 小结 128
5.2　CNN图像分类方法 128
5.2.1 基本原理分析 128
5.2.2 算法设计与实现 132
5.2.3 小结 139
5.3　DBN图像分类方法 139
5.3.1 基本原理分析 140
5.3.2 算法设计与实现 143
5.3.3 小结 151
5.4　RNN图像分类方法 151
5.4.1 基本原理分析 152
5.4.2 算法设计与实现 154
5.4.3 小结 161
5.5　GAN图像分类方法 161
5.5.1 基本原理分析 162
5.5.2 算法设计与实现 164
5.5.3 小结 172
5.6　自编码器图像分类方法 172
5.6.1 基本原理分析 172
5.6.2 算法设计与实现 175
5.6.3 小结 183
5.7　注意力机制图像分类方法 183
5.7.1 基本原理分析 183
5.7.2 算法设计与实现 188
5.7.3 小结 196
5.8　深度强化学习图像分类方法 196
5.8.1 基本原理分析 197
5.8.2 算法设计与实现 201
5.8.3 小结 209
参考文献 210