龙鹏读于华中科技大学，中国科学院，先后就职于奇虎360AI研究院，陌陌深度学习实验室，6年计算机视觉从业经验，拥有丰富的传统图像算法和深度学习图像项目经验，拥有AI公众号《与有三学AI》，知乎专栏《有三AI学院》，摄影公众号《有三工作室》等，在gitchat平台开设《AI 程序员码说摄影图像基础》，《AI图像识别项目从入门到上线》图文课程，在蜂口小程序开设过《caffe图像分割项目实战》，《深度学习与人脸图像应用》

本书内容涉及摄影学、计算机视觉、深度学习3个领域，系统地介绍了计算机视觉在图像质量和摄影学各个领域的核心算法和应用，包括传统的图像处理算法和深度学习核心算法。本书理论知识体系完备，同时提供大量实例，供读者实战演练。
本书融合摄影学和计算机视觉的内容，覆盖面非常广。第1章简单介绍摄影的历史、摄影与图像的基本概念和摄影中的许多基本技巧。从第2章开始，本书对摄影学中图像处理算法的各个重要方向进行介绍，包括使用计算机视觉技术对摄影作品进行定量的质量评估、后期自动构图、噪声的去除、对比度增强和色调增强、人脸美颜与美妆、图像的去模糊和分辨率提升、艺术风格滤镜、景深的估计和编辑、图像的融合等，涵盖当前摄影后期软件的主要功能，并全部是基于算法进行自动实现的。
本书适合计算机视觉行业从业者、摄影专业人士和爱好者、对当下智能摄影后期核心技术感兴趣并且想要有所提高的学生、工程技术人员或相关专业教师阅读。本书既可以作为核心算法教程用于学习理论知识，也可以作为工程参考手册用于查阅相关技术。

第 1章 摄影基础
1．1　摄影简史　016
1．1．1　摄影发展史　016
1．1．2　摄影流派　020
1．1．3　为什么学习摄影　022
1．2　摄影与图像基本概念　022
1．2．1　像素与分辨率　023
1．2．2　像素深度与颜色　024
1．2．3　焦距　027
1．2．4　光圈　028
1．2．5　ISO感光度与噪点　029
1．2．6　快门与慢门　031
1．2．7　色温与白平衡　032
1．2．8　对比度与清晰度　032
1．3　摄影基本技巧　034
1．3．1　颜色　034
1．3．2　构图　037
1．3．3　光线　043
1．4　小结　046

第　2章 图像美学
2．1　图像美学基础　048
2．1．1　什么是图像美学　048
2．1．2　图像美学的应用　048
2．1．3　图像美学数据集　050
2．1．4　图像美学的研究思路　052
2．2　传统美学质量评估方法　054
2．2．1　底层美学特征　055
2．2．2　摄影美学特征　056
2．2．3　通用与专用图像特征　058
2．3　深度学习美学质量评估方法　058
2．3．1　分类模型　059
2．3．2　回归模型　061
2．3．3　排序模型　062
2．3．4　多任务学习模型　063
2．4　建筑图像美学质量评估实战　064
2．4．1　数据集准备　065
2．4．2　模型设计与训练　068
2．4．3　模型测试　069
2．5　小结　075

第3章　自动构图
3．1　构图基础　078
3．1．1　构图的基本概念　078
3．1．2　构图的应用场景　080
3．1．3　显著目标数据集　081
3．1．4　构图数据集　082
3．2　自动构图的研究方法　085
3．2．1　自动构图的基本流程　085
3．2．2　基于构图准则的构图方法　086
3．2．3　基于显著图的构图方法　087
3．2．4　基于美学的研究方法　090
3．2．5　构图质量评估　092
3．3　实时自动构图算法实战　093
3．3．1　基于显著图的方法　093
3．3．2　与基于美学的方法对比　098
3．4　小结　100

第4章　图像去噪
4．1　图像去噪基础　103
4．1．1　摄影中的噪声　103
4．1．2　摄影中常用的去噪方法　105
4．1．3　常用去噪数据集　106
4．1．4　评估方法　109
4．2　传统去噪方法研究　111
4．2．1　噪声模型　111
4．2．2　常见滤波去噪方法　112
4．3　深度学习去噪方法研究　118
4．3．1　基本研究思路　118
4．3．2　核心技术　119
4．4　通用去噪模型实战　123
4．4．1　训练数据准备　124
4．4．2　模型训练　127
4．4．3　模型测试　130
4．5　小结　133

第5章　图像对比度与色调增强
5．1　图像增强基础　136
5．1．1　摄影中常用的图像增强操作　136
5．1．2　图像增强相关的数据集　139
5．2　传统的对比度与色调增强方法　141
5．2．1　像素灰度映射　141
5．2．2　Retinex理论　143
5．3　深度学习对比度与色调增强方法　145
5．3．1　基于像素回归的增强方法　145
5．3．2　基于参数预测的增强方法　149
5．4　自动对比度与色调增强实战　153
5．4．1　项目解读　153
5．4．2　模型训练　160
5．4．3　模型测试　162
5．5　小结　165

第6章　人脸美颜与美妆
6．1　美颜与美妆技术的种类和应用场景　168
6．2　基于滤波和变形的传统美颜算法　169
6．2．1　五官重塑算法　169
6．2．2　基于滤波的磨皮算法　171
6．2．3　基于肤色模型的美白与肤色算法　172
6．3　妆造迁移算法　173
6．3．1　传统妆造迁移算法　173
6．3．2　深度学习妆造迁移算法　175
6．4　妆造迁移算法实战　178
6．4．1　项目解读　179
6．4．2　模型训练　190
6．4．3　模型测试　192
6．5　小结　194

第7章　图像去模糊与超分
7．1　图像去模糊与超分基础　196
7．1．1　常见的模糊类型　196
7．1．2　超分的应用场景　197
7．1．3　去模糊和超分数据集　198
7．2　图像去模糊算法　199
7．2．1　基于优化的去模糊算法　199
7．2．2　基于深度学习模型的去模糊算法　200
7．3　图像超分算法　202
7．3．1　传统的超分算法　202
7．3．2　基于深度学习的超分算法　203
7．4　基于SRGAN的人脸图像超分重建实战　208
7．4．1　项目解读　208
7．4．2　模型训练　213
7．4．3　模型测试　217
7．5　小结　219

第8章　图像滤镜与风格化
8．1　摄影风格与滤镜基础　222
8．1．1　摄影中的不同风格　222
8．1．2　摄影滤镜与工具插件　224
8．2　传统的图像风格化方法　225
8．2．1　基于边缘的风格化　225
8．2．2　基于颜色的风格化　226
8．3　基于深度学习的风格化方法　228
8．3．1　风格迁移基础　228
8．3．2　基于图像优化的风格迁移算法　230
8．3．3　基于模型优化的风格迁移算法　232
8．4　基于图像优化的风格迁移算法实战　235
8．4．1　算法实现　235
8．4．2　模型训练与结果　241
8．5　小结　245

第9章　图像编辑
9．1　景深与背景编辑　248
9．1．1　摄影中的景深与背景虚化　248
9．1．2　深度数据集　250
9．1．3　基于深度学习模型的深度估计　251
9．1．4　景深编辑与重对焦　254
9．2　多重曝光与图像融合　258
9．2．1　摄影中的多重曝光　258
9．2．2　自动图像融合关键技术　260
9．3　纹理编辑与图像修复　264
9．3．1　图像修复应用和常用工具　265
9．3．2　基于深度学习模型的图像修复方法　266
9．4　小结　271