计算机视觉度量2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

计算机视觉度量PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 图像的获取和表示1

1.1 图像传感器技术1

1.1.1 传感器材料2

1.1.2 传感器光电二极管元件3

1.1.3 传感器配置：马赛克、Foveon和BSI3

1.1.4 动态范围、噪声和超分辨率4

1.1.5 传感器处理5

1.1.6 去马赛克5

1.1.7 坏像素校正5

1.1.8 色彩和光照校正6

1.1.9 几何校正6

1.2 照相机和计算成像6

1.2.1 计算成像概述7

1.2.2 单像素可计算相机7

1.2.3 二维可计算照相机8

1.2.4 三维深度的照相机系统9

1.3 三维深度处理18

1.3.1 方法概述18

1.3.2 深度感知和处理中存在的问题18

1.3.3 单目深度处理23

1.4 三维表示：体元、深度图、网格和点云26

1.5 总结27

1.6 习题27

第2章 图像预处理29

2.1 图像处理概述29

2.2 图像预处理要解决的问题29

2.2.1 计算机视觉的流程和图像预处理30

2.2.2 图像校正31

2.2.3 图像增强31

2.2.4 为特征提取准备图像32

2.3 图像处理方法分类36

2.3.1 点运算36

2.3.2 直线运算36

2.3.3 区域运算37

2.3.4 算法37

2.3.5 数据转换37

2.4 色彩学37

2.4.1 色彩管理系统概述38

2.4.2 光源、白点、黑点和中性轴38

2.4.3 设备颜色模型39

2.4.4 色彩空间与色彩感知39

2.4.5 色域映射与渲染的目标40

2.4.6 色彩增强的实际考虑41

2.4.7 色彩的准确度与精度41

2.5 空间滤波41

2.5.1 卷积滤波与检测41

2.5.2 核滤波与形状选择43

2.5.3 点滤波44

2.5.4 噪声与伪像滤波45

2.5.5 积分图与方框滤波器46

2.6 边缘检测器46

2.6.1 核集合47

2.6.2 Canny检测器48

2.7 变换滤波、Fourier变换及其他48

2.7.1 Fourier变换48

2.7.2 其他变换50

2.8 形态学与分割51

2.8.1 二值形态学51

2.8.2 灰度和彩色形态学52

2.8.3 形态学优化和改进53

2.8.4 欧氏距离映射53

2.8.5 超像素分割53

2.8.6 深度图分割54

2.8.7 色彩分割55

2.9 阈值化55

2.9.1 全局阈值化56

2.9.2 局部阈值化59

2.10 总结60

2.11 习题60

第3章 全局特征和区域特征63

3.1 视觉特征的历史概述63

3.1.1 全局度量、区域度量和局部度量的核心思想64

3.1.2 纹理分析65

3.1.3 统计方法68

3.2 纹理区域度量68

3.2.1 边缘度量69

3.2.2 互相关性和自相关性70

3.2.3 Fourier谱、小波和基签名71

3.2.4 共生矩阵、Haralick特征71

3.2.5 Laws纹理度量78

3.2.6 LBP局部二值模式79

3.2.7 动态纹理80

3.3 统计区域度量81

3.3.1 图像矩特征81

3.3.2 点度量特征81

3.3.3 全局直方图83

3.3.4 局部区域直方图83

3.3.5 散点图、3D直方图84

3.3.6 多分辨率、多尺度直方图85

3.3.7 径向直方图87

3.3.8 轮廓或边缘直方图87

3.4 基空间度量88

3.4.1 Fourier描述90

3.4.2 Walsh－Hadamard变换90

3.4.3 HAAR变换91

3.4.4 斜变换91

3.4.5 Zemike多项式91

3.4.6 导向滤波器92

3.4.7 Karhunen－Loeve变换与Hotelling变换93

3.4.8 小波变换和Gabor滤波器93

3.4.9 Hough变换与Radon变换95

3.5 总结96

3.6 习题96

第4章 局部特征设计97

4.1 局部特征97

4.1.1 检测器、兴趣点、关键点、锚点和特征点98

4.1.2 描述子、特征描述和特征提取98

4.1.3 稀疏局部模式方法98

4.2 局部特征属性99

4.2.1 选择特征描述子和兴趣点99

4.2.2 特征描述子和特征匹配99

4.2.3 好特征的标准99

4.2.4 可重复性，困难和容易的查找101

4.2.5 判别性与非判别性101

4.2.6 相对位置和绝对位置101

4.2.7 匹配代价和一致性101

4.3 距离函数102

4.3.1 距离函数的早期工作102

4.3.2 欧氏或笛卡儿距离度量103

4.3.3 网格距离度量104

4.3.4 基于统计学的差异性度量105

4.3.5 二值或布尔距离度量106

4.4 描述子的表示107

4.4.1 坐标空间和复合空间107

4.4.2 笛卡儿坐标107

4.4.3 极坐标和对数极坐标107

4.4.4 径向坐标107

4.4.5 球面坐标108

4.4.6 Gauge坐标108

4.4.7 多元空间和多模数据108

4.4.8 特征金字塔109

4.5 描述子的密度109

4.5.1 丢弃兴趣点和描述子109

4.5.2 稠密与稀疏特征描述110

4.6 描述子形状110

4.6.1 关联性模板111

4.6.2 块和形状111

4.6.3 对象多边形113

4.7 局部二值描述子与点对模式113

4.7.1 FREAK视网膜模式114

4.7.2 BRISK模式115

4.7.3 ORB和BRIEF模式116

4.8 描述子的判别性116

4.8.1 谱的判别性117

4.8.2 区域、形状和模式的判别性118

4.8.3 几何判别因素118

4.8.4 通过特征可视化来评价判别性119

4.8.5 精度与可跟踪性121

4.8.6 精度优化、子区域重叠、Gaussian加权和池化122

4.8.7 亚像素精度123

4.9 搜索策略与优化123

4.9.1 密集搜索124

4.9.2 网格搜索124

4.9.3 多尺度金字塔搜索124

4.9.4 尺度空间和图像金字塔125

4.9.5 特征金字塔126

4.9.6 稀疏预测搜索与跟踪127

4.9.7 跟踪区域限制搜寻127

4.9.8 分割限制搜索127

4.9.9 深度或Z限制搜索127

4.10 计算机视觉、模型和结构128

4.10.1 特征空间128

4.10.2 对象模型129

4.10.3 约束130

4.10.4 选择检测器和特征131

4.10.5 训练概述131

4.10.6 特征和对象的分类132

4.10.7 特征学习、稀疏编码和卷积网络136

4.11 总结139

4.12 习题139

第5章 特征描述属性的分类141

5.1 一般的鲁棒性分类143

5.2 一般的视觉度量分类146

5.3 特征度量评估155

5.3.1 SIFT的示例156

5.3.2 LBP的示例156

5.3.3 形状因子的示例157

5.4 总结158

5.5 习题158

第6章 兴趣点检测与特征描述子159

6.1 兴趣点调整159

6.2 兴趣点的概念160

6.3 兴趣点方法概述162

6.3.1 Laplacian和LoG163

6.3.2 Moravac角点检测器163

6.3.3 Harris方法、Harris－Stephens、Shi－Tomasi和Hessian类型的检测器163

6.3.4 Hessian矩阵检测器和Hessian－Laplace164

6.3.5 Gaussian差164

6.3.6 显著性区域164

6.3.7 SUSAN.Trajkovic－Hedly165

6.3.8 FAST165

6.3.9 局部曲率方法166

6.3.10 形态兴趣区域167

6.4 特征描述简介167

6.4.1 局部二值描述子168

6.4.2 Census173

6.4.3 改进的Census变换174

6.4.4 BRIEF174

6.4.5 ORB175

6.4.6 BRISK176

6.4.7 FREAK176

6.5 谱描述子177

6.5.1 SIFT177

6.5.2 SIFT－PCA181

6.5.3 SIFT－GLOH181

6.5.4 SIFT－SIFER182

6.5.5 SIFT CS－LBP182

6.5.6 ROOTSIFT183

6.5.7 CenSurE和STAR183

6.5.8 相关模板185

6.5.9 HAAR特征186

6.5.10 使用类HAAR特征的Viola和Jones算法187

6.5.11 SURF187

6.5.12 改进的SURF算法189

6.5.13 梯度直方图（HOG）及改进方法189

6.5.14 PHOG和相关方法190

6.5.15 Daisy和O－Daisy191

6.5.16 CARD193

6.5.17 具有鲁棒性的快速特征匹配194

6.5.18 RIFF和CHOG195

6.5.19 链码直方图196

6.5.20 D－NETS196

6.5.21 局部梯度模式197

6.5.22 局部相位量化198

6.6 基空间描述子198

6.6.1 Fourier描述子199

6.6.2 用其他基函数来构建描述子200

6.6.3 稀疏编码方法200

6.7 多边形形状描述200

6.7.1 MSER方法201

6.7.2 针对斑点和多边形的目标形状度量202

6.7.3 形状上下文204

6.8 3D和4D描述子205

6.8.1 3D HOG206

6.8.2 HON 4D206

6.8.3 3D SIFT207

6.9 总结208

6.10 习题208

第7章 基准数据、内容、度量和分析210

7.1 基准数据210

7.2 先前关于基准数据方面的工作：艺术与科学212

7.2.1 质量的一般度量212

7.2.2 算法性能的度量212

7.2.3 Rosin关于角点方面的工作213

7.3 构造基准数据的关键问题214

7.3.1 内容：采用、修改或创建214

7.3.2 可用的基准数据集215

7.3.3 拟合基准数据的算法215

7.3.4 场景构成和标注216

7.4 定义目标和预期218

7.4.1 Mikolajczyk和Schmid的方法218

7.4.2 开放式评价系统219

7.4.3 极端情况和限制219

7.4.4 兴趣点和特征219

7.5 基准数据的鲁棒性准则220

7.5.1 举例说明鲁棒性标准220

7.5.2 将鲁棒性标准用于实际应用221

7.6 度量与基准数据配对222

7.6.1 兴趣点、特征和基准数据的配对和优化222

7.6.2 一般的视觉分类例子223

7.7 合成的特征字母表224

7.7.1 合成数据集的目标224

7.7.2 合成兴趣点字母表226

7.7.3 将合成字母表叠加到真实图像上228

7.8 总结229

7.9 习题230

第8章 可视流程及优化231

8.1 阶段、操作和资源231

8.2 计算资源预算233

8.2.1 计算单元、ALU和加速器234

8.2.2 能耗的使用235

8.2.3 内存的利用235

8.2.4 I/O性能238

8.3 计算机视觉流程的实例238

8.3.1 汽车识别239

8.3.2 人脸检测、情感识别和年龄识别244

8.3.3 图像分类250

8.3.4 增强现实254

8.4 可选的加速方案258

8.4.1 内存优化258

8.4.2 粗粒度并行260

8.4.3 细粒度数据并行261

8.4.4 高级指令集和加速器263

8.5 视觉算法的优化与调整263

8.5.1 编译器优化与手工优化264

8.5.2 特征描述子改进、检测器和距离函数265

8.5.3 Boxlets与卷积加速265

8.5.4 数据类型优化（整数与浮点）265

8.6 优化资源266

8.7 总结266

第9章 特征学习的架构分类和神经科学背景267

9.1 计算机视觉中的神经科学思想268

9.2 特征生成与特征学习269

9.3 计算机视觉中所使用的神经科学术语269

9.4 特征学习的分类274

9.4.1 卷积特征权重学习275

9.4.2 局部特征描述子学习275

9.4.3 基本特征的组合和字典学习275

9.4.4 特征学习方法总结276

9.5 计算机视觉中的机器学习模型276

9.5.1 专家系统277

9.5.2 统计和数学分析方法278

9.5.3 受神经科学启发的方法278

9.5.4 深度学习278

9.6 机器学习和特征学习的历史280

9.6.1 历史回顾：20世纪40年代至21世纪初280

9.6.2 人工神经网络（ANN）分类284

9.7 特征学习概述285

9.7.1 通过学习得到的各类描述子285

9.7.2 层次特征学习285

9.7.3 要学习多少特征286

9.7.4 深度神经网络的优势286

9.7.5 特征编码的有效性286

9.7.6 手工设计的特征与深度学习287

9.7.7 特征学习的不变性和鲁棒性288

9.7.8 最好的特征和学习架构288

9.7.9 大数据、分析和计算机视觉的统一289

9.7.10 关键技术的推动因素291

9.8 神经科学的概念292

9.8.1 生物学及其整体结构293

9.8.2 难以找到统一的学习理论294

9.8.3 人类视觉系统的架构295

9.9 特征学习的结构分类299

9.9.1 架构拓扑301

9.9.2 架构组件和层302

9.10 总结313

9.11 习题313

第10章 特征学习和深度学习架构概述315

10.1 架构概述315

10.1.1 FNN架构简介316

10.1.2 RNN的结构简介372

10.1.3 BFN的结构简介395

10.2 集成方法427

10.3 深度神经网络的未来429

10.3.1 增加最大深度——深度残差学习429

10.3.2 使用更简单的MLP来近似复杂模型（模型压缩）430

10.3.3 分类器的分解与重组431

10.4 总结432

10.5 习题432

附录A 合成特征分析435

附录B 基准数据集概述464

附录C 成像和计算机视觉资源470

附录D 扩展SDM准则474

附录E 视觉基因组模型（VGM）487

参考文献508

译后记541