手工纸显微图像分析 本书特色

本书应用计算机图像处理、图像分析技术对中国传统手工纸进行分析，在传统工艺、中国造纸史、图像分析交叉领域开展研究。首先通过文献调研、专家走访、显微实验等方式获取手工纸的基本属性，构建手工纸主宰性信息特征模型；研究纤维特征与工艺、原料、年代的关系，探索基于显微图像特征的手工纸的制作工艺或造纸原料分析方法；基于计算机图像分析理论和技术，设计了手工纸显微图像分析软件，实现无损或微损的手工纸属性自动分析，并将新技术应用于纸质文物保护领领域。 本书适合计算机、科技史专业的学者，以及对纸质文物保护感兴趣的研究者参考阅读。

手工纸显微图像分析 内容简介

中国古代典籍、书画用纸多是采用传统造纸工艺手工制得的纸，即手工纸。手工纸的寿命决定了纸质文物的寿命，因此手工纸的分析是纸质文物保护的关键。我国作为造纸术的发源地，在数字化、网络化的时代，将信息技术应用于中国传统手工纸的研究十分有必要。本书在传统工艺、中国造纸史、图像分析交叉领域开展研究，将计算机图像处理和分析技术应用于手工纸显微图像，在纸龄分析、匀度分析、成分测量等方面进行了探索，提高了分析的自动化，为纸质文物的无损或微损分析提供支撑。将理论与手工纸分析的具体问题相结合，具有较强的应用价值和推广价值。 

手工纸显微图像分析 目录

第1章绪论11.1内容和目标31.2实验数据4第2章纸张分析方法62.1显微观察62.2红外光谱分析72.3气味分析82.4x射线分析82.5raman 光谱分析92.6气相色谱法102.7图像分析102.8各种方法的讨论11第3章纤维种类与纸龄相关性研究123.1研究目标123.2中国造纸原料发展与纤维特征133.2.1汉代造纸原料与麻纤维特征133.2.2两晋南北朝时期造纸原料与皮料特征143.2.3隋唐时期造纸原料与竹料特征183.2.4宋元时期造纸原料与草料特征203.2.5明清时期造纸原料与特征223.2.6近现代造纸植物原料与特征243.3纤维特征与纸龄关系273.4纸龄分析方法283.5古纸纸龄分析实践283.5.1古纸来源283.5.2古纸检测283.5.3古纸纸龄分析29小结30第4章基于傅里叶变换的手工纸匀度无损测量314.1研究目标314.2传统造纸工艺调研314.2.1抄纸法造纸技术314.2.2浇纸法造纸技术354.3纸张匀度测量方法364.4纸张匀度分析模型384.4.1图像获取与预处理384.4.2快速傅里叶变换414.4.3统计分析424.5实验与结果分析434.5.1匀度分析程序434.5.2模拟试验434.5.3抗张强度实物试验434.5.4图像分析实物试验454.5.5实验结果分析47小结48第5章基于图像颜色特征的成分测量495.1传统原料配比测量方法515.1.1视野法515.1.2显微计数法515.1.3投影测量法525.2颜色特征分析525.2.1染色后的纤维呈色525.2.2混合原料显微图像特征545.2.3颜色空间555.2.4颜色邻近性度量585.3颜色聚类算法595.3.1阈值聚类算法605.3.2k?means算法625.4成分自动测量方法635.4.1预处理635.4.2k?means 聚类655.4.3结果输出形式665.5彩色图像实验675.5.1彩色模拟实验675.5.2彩色实物实验695.6灰度图像实验715.6.1灰度图像来源715.6.2颜色分析实验735.7不规则古纸的面积测量755.7.1面积计算模型755.7.2不规则古纸测量实验76小结77第6章讨论796.1研究进展796.2展望81参考文献831.1引言11.2机器学习方法21.2.1监督学习方法31.2.2半监督学习方法41.3深度学习方法61.4本书的研究内容91.5本书的结构安排12第2章区分深度置信网络方法152.1引言152.2图像分类162.3区分深度置信网络172.3.1半监督学习问题描述172.3.2区分深度置信网络结构182.3.3区分深度置信网络的无监督学习方法192.3.4区分深度置信网络的监督学习方法212.3.5区分深度置信网络算法流程252.4区分深度置信网络实验262.4.1区分深度置信网络实验设置262.4.2在小规模人工数据集上的实验272.4.3在中规模图片数据集上的实验282.4.4在大规模手写数据集上的实验302.4.5在不同规模和深度的深层架构上的实验312.5本章小结35第3章自适应深度置信网络方法363.1引言363.2自适应深度置信网络373.2.1监督学习问题描述373.2.2自适应深度置信网络结构373.2.3自适应深度置信网络的无监督学习方法383.2.4自适应深度置信网络的监督学习方法403.2.5自适应深度置信网络算法流程403.3自适应深度置信网络实验423.3.1自适应深度置信网络实验设置423.3.2在中规模图片数据集上的实验433.3.3在中规模手写字母数据集上的实验433.3.4在大规模手写数字数据集上的实验463.4本章小结50第4章量子深度置信网络方法514.1引言514.2量子深度置信网络524.2.1量子深度置信网络结构524.2.2量子深度置信网络的监督学习方法554.2.3量子深度置信网络算法流程564.3量子深度置信网络实验574.3.1量子深度置信网络实验设置574.3.2在小规模花数据集上的实验584.3.3在小规模诊断数据集上的实验604.3.4在大规模手写数据集上的实验614.4本章小结65第5章主动深度置信网络方法665.1引言665.2情感分类675.3主动深度置信网络705.3.1主动学习问题描述705.3.2主动深度置信网络的主动学习方法715.3.3主动深度置信网络算法流程735.4主动深度置信网络实验755.4.1主动深度置信网络实验设置755.4.2主动深度置信网络性能765.4.3主动学习效果785.4.4损失函数效果795.4.5使用不同数量标注数据实验805.5本章小结82第6章主动模糊深度置信网络方法836.1引言836.2模糊深度置信网络846.2.1模糊深度置信网络结构856.2.2模糊参数提取866.2.3模糊深度置信网络算法886.2.4使用模糊深度置信网络分类896.3主动模糊深度置信网络916.3.1主动模糊深度置信网络算法描述916.3.2使用主动模糊深度置信网络分类926.4主动模糊深度置信网络实验936.4.1主动模糊深度置信网络实验设置936.4.2模糊深度置信网络性能946.4.3主动模糊深度置信网络性能956.4.4使用不同数量的标注数据实验976.4.5本书所提出的各种方法的训练时间996.5本章小结101第7章基于深度学习的手写中文识别1027.1引言1027.2手写识别1037.3使用深层架构的手写识别系统1047.4手写识别系统中用到的深层架构1057.5手写中文识别实验1067.5.1在hit?or3c数据库上的实验1077.5.2在casia?olhwdb1数据库上的实验1117.5.3在scut?couch2009数据库上的实验1117.6本章小结115结论116参考文献120contentscontentschapter 1introduction11.1background and motivation11.2machine learning21.2.1supervised learning31.2.2semi?supervised learning41.3deep learning61.4research contents and main contributions of this book91.5organization of this book12chapter 2research on discriminate deep belief networks methods152.1introduction152.2current status of image classification162.3discriminative deep belief networks172.3.1problem formulation of semi?supervised learning172.3.2architecture of discriminative deep beliefnetworks182.3.3unsupervised learning of discriminative deepbelief networks192.3.4supervised learning of discriminative deepbelief networks212.3.5algorithm procedure of discriminative deepbelief networks252.4experiments for discriminative deep belief networks262.4.1experimental setting of discriminative deepbelief networks262.4.2experiments on small?scale artificial dataset272.4.3experiments on middle?scale image dataset282.4.4experiments on large?scale handwritten dataset302.4.5experiments on different scales and depth ofdeep architecture312.5summary of this chapter35chapter 3research on adaptive deep belief networks methods363.1introduction363.2adaptive deep belief networks373.2.1problem formulation of supervised learning373.2.2architecture of adaptive deep belief networks373.2.3unsupervised learning of adaptive deep beliefnetworks383.2.4supervised learning of adaptive deep beliefnetworks403.2.5algorithm procedure of adaptive deepbelief networks 403.3experiments for adaptive deep belief networks423.3.1experimental setting of adaptive deep beliefnetworks 423.3.2experiments on middle?scale image dataset433.3.3experiments on middle?scale handwrittenalphabets dataset433.3.4experiments on large?scale handwritten digitdataset463.4summary of this chapter50chapter 4research on quantum deep belief networks methods514.1introduction514.2quantum deep belief networks524.2.1architecture of quantum deep belief networks524.2.2supervised learning of quantum deep beliefnetworks554.2.3procedure of quantum deep belief networks564.3experiments for quantum deep belief networks574.3.1experimental setting of quantum deep beliefnetworks574.3.2experiments on small?scale flower dataset584.3.3experiments on small?scale diagnostic dataset604.3.4experiments on large?scale handwritten dataset614.4summary of this chapter65chapter 5research on active deep belief networks methods665.1introduction665.2current status of sentiment classification675.3active deep belief networks705.3.1problem formulation of active learning705.3.2active learning of active deep belief networks715.3.3algorithm procedure of active deep beliefnetworks735.4experiments for active deep belief networks755.4.1experimental setting of active deep beliefnetworks755.4.2performance of active deep belief networks765.4.3effect of active learning785.4.4effect of loss function795.4.5experiment with variance of labeled data805.5summary of this chapter82chapter 6research on active fuzzy deep belief networks methods836.1introduction836.2fuzzy deep belief networks846.2.1architecture of fuzzy deep belief networks 856.2.2fuzzy parameter extraction866.2.3fuzzy deep belief networks algorithm886.2.4classification using fuzzy deep belief networks 896.3active fuzzy deep belief networks916.3.1algorithm description of active fuzzy deepbelief networks916.3.2classification using active fuzzy deep beliefnetworks926.4experiments for fuzzy deep belief networks 936.4.1experimental setting of fuzzy deep beliefnetworks936.4.2performance of fuzzy deep belief networks946.4.3performance of active fuzzy deep beliefnetworks956.4.4experiments with different number of labeleddata976.4.5training time of different methods proposed inthis book996.5summary of this chapter101chapter 7deep learning based chinese character handwritingrecognition1027.1introduction1027.2current status of handwriting recognition1037.3handwriting recognition with deep networks system1047.4deep networks in handwriting recognition with deepnetworks system1057.5experiments for handwritten chinese recognition 1067.5.1experiments on hit?or3c database1077.5.2experiments on casia?olhwdb1 database1117.5.3experiments on scut?couch2009 database1117.6summary of this chapter115conclusions116references120         microscopic image analysis ofhandmade paper刘畅 著内容简介               前言作者2015.12

 1/2    1 2 下一页 尾页

工业技术 轻工业、手工业 造纸工业

在线阅读