機器視覺教程：英文版

To the instructor
 Acknowledgements
 1  Introduction
 1.1  Concerning this book
 1.2  Concerning prerequisites
 1.3  Some terminology
 1.4  Organization of a machine vision system
 1.5  The nature of images
 1.6  Images: Operations and analysis
 Reference
 Review of mathematical principles
 2.1  A brief review of probability
 2.2  A review of linear algebra
 2.3  Introduction to function minimization
 2.4  Markov models
 References
 3  Writing programs to process images
 3.1  Image File System (IFS) software
 3.2  Basic programming structure for image processing
 3.3  Good programming styles
 3.4  Example programs
 3.5  Makefiles
 4  Images: Formation and representation
 4.1  Image representations
 4.2  The digital image
 4.3  Describing image formation
 4.4  The image as a surface
 4.5  Neighborhood relations
 4.6  Conclusion
 4.7  Vocabulary
 Topic 4A  Image representations
 4A.1  A variation on sampling: Hexagonal pixels
 4A.2  Other types of iconic representations
 References
 5  Linear operators and kernels
 5.1  What is a linear operator?
 5.2  Application of kernel operators in digital images
 5.3  Derivative estimation by function fitting
 5.4  Vector representations of images
 5.5  Basis vectors for images
 5.6  Edge detection
 5.7  A kernel as a sampled differentiable function
 5.8  Computing convolutions
 5.9  Scale space
 5.10  Quantifying the accuracy of an edge detector
 5.11  So how do people do it?
 5.12  Conclusion
 5.13  Vocabulary
 Topic 5A  Edge detectors
 5A.1  The Canny edge detector
 5A.2  Improvements to edge detection
 5A.3  Inferring line segments from edge points
 5A.4  Space/frequency representations
 5A.5  Vocabulary
 References
 6  Image relaxation: Restoration and feature extraction
 6.1  Relaxation
 6.2  Restoration
 6.3  The MAP approach
 6.4  Mean field annealing
 6.5  Conclusion
 6.6  Vocabulary
 Topic 6A  Alternative and equivalent algorithms
 6A.1  GNC: An alternative algorithm for noise removal
 6A.2  Variable conductance diffusion
 6A.3  Edge-oriented anisotropic diffusion
 6A.4  A common description of image relaxation operators
 6A.5  Relationship to neural networks
 6A.6  Conclusion
 Bibliography
 7  Mathematical morphology
 7.1  Binary morphology
 7.2  Gray-scale morphology
 7.3  The distance transform
 7.4  Conclusion
 7.5  Vocabulary
 Topic 7A  Morphology
 7A.1  Computing erosion and dilation efficiently
 7A.2  Morphological sampling theorem
 7A.3  Choosing a structuring element
 7A.4  Closing gaps in edges and surfaces
 7A.5  Vocabulary
 Bibliography
 8  Segmentation
 8.1  Segmentation: Partitioning an image
 8.2  Segmentation by thresholding
 8.3  Connected component analysis
 8.4  Segmentation of curves
 8.5  Active contours (snakes)
 8.6  Segmentation of surfaces
 8.7  Evaluating the quality of a segmentation
 8.8  Conclusion
 8.9  Vocabulary
 Topic 8A  Segmentation
 8A.1  Texture segmentation
 8A.2  Segmentation of images using edges
 8A.3  Motion segmentation
 8A.4  Color segmentation
 8A.5  Segmentation using MAP methods
 8A.6  Human segmentation
 Bibliography
 Shape
 9.1  Linear transformations
 9.2  Transformation methods based on the covariance matrix
 9.3  Simple features
 9.4  Moments
 9.5  Chain codes
 9.6  Fourier descriptors
 9.7  The medial axis
 9.8  Deformable templates
 9.9  Quadric surfaces
 9.10  Surface harmonic representations
 9.11  Superquadrics and hyperquadrics
 9.12  Generalized cylinders (GCs)
 9.13  Conclusion
 9.14  Vocabulary
 Topic 9A  Shape description
 9A.1  Finding the diameter of nonconvex regions
 9A.2  Inferring 3D shape from images
 9A.3  Motion analysis and tracking
 9A.4  Vocabulary
 Bibliography
 10  Consistent labeling
 10.1  Consistency
 10.2  Relaxation labeling
 10.3  Conclusion
 10.4  Vocabulary
 Topic 10A  3D Interpretation of 2D line drawings
 References
 11  Parametric transforms
 11.1  The Hough transform
 11.2  Reducing computational complexity
 11.3  Finding circles
 11.4  The generalized Hough transform
 11.5  Conclusion
 11.6  Vocabulary
 Topic 11A  Parametric transforms
 11A.1  Finding parabolae
 11A.2  Finding the peak
 11A.3  The Gauss map
 11A.4  Parametric consistency in stereopsis
 11A.5  Conclusion
 11A.6  Vocabulary
 References
 12  Graphs and graph-theoretic concepts
 12.1  Graphs
 12.2  Properties of graphs
 12.3  Implementing graph structures
 12.4  The region adjacency graph
 12.5  Using graph-matching: The subgraph isomorphism problem
 12.6  Aspect graphs
 12.7  Conclusion
 12.8  Vocabulary
 References
 13  Image matching
 13.1  Matching iconic representations
 13.2  Matching simple features
 13.3  Graph matching
 13.4  Conclusion
 13.5  Vocabulary
 Topic 13A  Matching
 13A.1  Springs and templates revisited
 13A.2  Neural networks for object recognition
 13A.3  Image indexing
 13A.4  Matching geometric invariants
 13A.5  Conclusion
 13A.6  Vocabulary
 Bibliography
 14  Statistical pattern recognition
 14.1  Design of a classifier
 14.2  Bayes' rule and the maximum likelihood classifier
 14.3  Decision regions and the probability of error
 14.4  Conditional risk
 14.5  The quadratic classifier
 14.6  The minimax rule
 14.7  Nearest neighbor methods
 14.8  Conclusion
 14.9  Vocabulary
 Topic 14A  Statistical pattern recognition
 14A.1  Matching feature vectors using statistical methods
 14A.2  Support vector machines (SVMs)
 14A.3  Conclusion
 14A.4  Vocabulary
 References
 15  Clustering
 15.1  Distances between clusters
 15.2  Clustering algorithms
 15.3  Optimization methods in clustering
 15.4  Conclusion
 15.5  Vocabulary
 References
 16  Syntactic pattern recognition
 16.1  Terminology
 16.2  Types of grammars
 16.3  Shape recognition using grannnatical structure
 16.4  Conclusion
 16.5  Vocabulary
 References
 17 Applications
 17.1  Multispectral image analysis
 17.2  Optical character recognition (OCR)
 17.3  Automated/assisted diagnosis
 17.4  Inspection/quality control
 17.5  Security and intruder identification
 17.6  Robot vision
 Bibliography
 18  Automatic target recognition
 18.1  The hierarchy of levels of ATR
 18.2  ATR system components
 18.3  Evaluating performance of ATR algorithms
 18.4  Machine vision issues unique to ATR
 18.5  ATR algorithms
 18.6  The Hough transform in ATR
 18.7  Morphological techniques in ATR
 18.8  Chain codes in ATR
 18.9  Conclusion
 Bibliography
 Author index
 Index