کتاب راهنمای تحلیل بافت ۲۰۲۴
Handbook of Texture Analysis 2024

هدف اصلی تحقیقات بافت در بینایی کامپیوتری، درک، مدل‌سازی و پردازش بافت و در نهایت، شبیه‌سازی فرایند یادگیری بصری انسان با استفاده از فناوری‌های کامپیوتری است. در دهه گذشته، هوش مصنوعی با رویکردهای یادگیری ماشین و کلان‌داده‌ها متحول شده و در طیف گسترده‌ای از مسائل، از پیش‌بینی‌های انسانی پیشی گرفته است. به ویژه، شبکه‌های عصبی کانولوشنال یادگیری عمیق (CNN) به طور خاص برای تحلیل بافت مناسب هستند. این جلد، شاخه‌های مهمی از روش‌های تحلیل بافت را ارائه می‌دهد که کاربردهای مناسبی در تحلیل تصاویر پزشکی مبتنی بر هوش مصنوعی پیدا می‌کنند. این کتاب:

* روش‌های آماری مرتبه اول، مرتبه دوم، روش‌های الگوهای باینری محلی (LBP) و روش‌های مبتنی بر بانک فیلتر را مورد بحث قرار می‌دهد.
* روش‌های مبتنی بر فرکانس فضایی، تحلیل فوریه، میدان‌های تصادفی مارکوف، فیلترهای گابور و تبدیل هاف را پوشش می‌دهد.
* روش‌های بافتی پیشرفته مبتنی بر DL و همچنین BD و کاربردهای پیشرفته بافت در بخش‌بندی تصاویر پزشکی را شرح می‌دهد.
* برای محققان، دانشگاهیان و دانشجویان پیشرفته در مهندسی پزشکی، تحلیل تصویر، علوم شناختی و علوم و مهندسی کامپیوتر در نظر گرفته شده است.

این کتاب مرجعی ضروری برای کسانی است که به دنبال ارتقای درک خود در این زمینه کاربردی و نوظهور هستند.

The major goals of texture research in computer vision are to understand, model, and process texture and, ultimately, to simulate the human visual learning process using computer technologies. In the last decade, artificial intelligence has been revolutionized by machine learning and big data approaches, outperforming human prediction on a wide range of problems. In particular, deep learning convolutional neural networks (CNNs) are particularly well suited to texture analysis. This volume presents important branches of texture analysis methods which find a proper application in AI-based medical image analysis. This book:

• Discusses first-order, second-order statistical methods, local binary pattern (LBP) methods, and filter bank-based methods
• Covers spatial frequency-based methods, Fourier analysis, Markov random fields, Gabor filters, and Hough transformation
• Describes advanced textural methods based on DL as well as BD and advanced applications of texture to medial image segmentation
• Is aimed at researchers, academics, and advanced students in biomedical engineering, image analysis, cognitive science, and computer science and engineering

This is an essential reference for those looking to advance their understanding in this applied and emergent field.