圖像理解理論與方法

前言
第1章 緒論
1.1 圖像理解的基本概念
1.1.1 圖像理解與圖像工程
1.1.2 圖像理解與計(jì)算機(jī)視覺(jué)
1.1.3 圖像理解與人工智能
1.1.4 圖像理解與認(rèn)知學(xué)
1.2 圖像理解的研究?jī)?nèi)容
1.2.1 場(chǎng)景中目標(biāo)識(shí)別
1.2.2 場(chǎng)景中目標(biāo)之間的關(guān)系
1.2.3 場(chǎng)景描述與理解
1.2.4 圖像語(yǔ)義描述推理
1.3 圖像理解的研究方法
1.3.1 判別分類方法
1.3.2 生成模型方法
1.3.3 句法語(yǔ)義分析方法
1.4 圖像理解的應(yīng)用
1.4.1 遙感圖像解釋
1.4.2 目標(biāo)識(shí)別和解釋
1.4.3 基于內(nèi)容的圖像和視頻檢索
參考文獻(xiàn)
第2章 分類判別模型
2.1 引言
2.2 Boosting分類方法
2.2.1 Boosting產(chǎn)生與發(fā)展
2.2.2 Boosting基本思想
2.2.3 Boosting分類模型
2.2.4 方法總結(jié)
2.3 SVM分類方法
2.3.1 統(tǒng)計(jì)學(xué)習(xí)理論
2.3.2 SVM模型
2.3.3 方法總結(jié)
2.4 協(xié)同學(xué)與協(xié)同神經(jīng)網(wǎng)絡(luò)
2.4.1 協(xié)同學(xué)簡(jiǎn)介
2.4.2 協(xié)同模式識(shí)別方法
2.4.3 方法總結(jié)
2.5 總結(jié)
參考文獻(xiàn)
第3章 生成模型
3.1 引言
3.1.1 圖論中的無(wú)向圖與有向圖
3.1.2 圖像理解中的標(biāo)記問(wèn)題
3.2 無(wú)向圖模型
3.2.1 無(wú)向圖簡(jiǎn)介
3.2.2 隨機(jī)場(chǎng)模型
3.2.3 星群模型
3.2.4 小結(jié)
3.3 有向圖模型
3.3.1 有向圖簡(jiǎn)介
3.3.2 認(rèn)知圖模型
3.3.3 pLSA模型
3.3.4 LDA模型
3.3.5 小結(jié)
3.4 總結(jié)
參考文獻(xiàn)
第4章 圖像信息表示與特征提取
4.1 引言
4.2 圖像信息表示
4.2.1 圖像數(shù)據(jù)結(jié)構(gòu)
4.2.2 知識(shí)表示
4.2.3 數(shù)據(jù)與知識(shí)的融合
4.3 圖像特征提取
4.3.1 基本圖像特征提取
4.3.2 常用圖像特征提取
4.3.3 方法小結(jié)
4.4 圖像特征表達(dá)
4.4.1 直方圖表達(dá)
4.4.2 區(qū)域特征表達(dá)
4.4.3 邊緣特征表達(dá)
4.4.4 基于包的表達(dá)
4.4.5 方法小結(jié)
4.5 圖像特征評(píng)價(jià)
4.5.1 檢測(cè)算子評(píng)價(jià)
4.5.2 特征描述子評(píng)價(jià)
4.5.3 方法小結(jié)
4.6 總結(jié)
參考文獻(xiàn)
第5章 場(chǎng)景中的目標(biāo)識(shí)別
5.1 引言
5.2 圖像分割
5.2.1 基于SVM的圖像分割
5.2.2 基于取樣的圖像分割
5.2.3 全互連結(jié)構(gòu)的圖像分割
5.2.4 MRF+pLSA區(qū)域分割標(biāo)記
5.2.5 基于產(chǎn)生式規(guī)則的圖像分割
5.3 目標(biāo)識(shí)別
5.3.1 基于認(rèn)知圖的目標(biāo)形狀識(shí)別
5.3.2 基于協(xié)同神經(jīng)網(wǎng)絡(luò)的生物特征識(shí)別
5.3.3 基于Boosting的目標(biāo)識(shí)別
5.3.4 基于SVM的目標(biāo)識(shí)別
5.4 廣義目標(biāo)識(shí)別
5.4.1 Boosting多值分類的目標(biāo)檢測(cè)識(shí)別
5.4.2 視覺(jué)注意機(jī)制引導(dǎo)的協(xié)同目標(biāo)識(shí)別
5.4.3 pLSA的視覺(jué)目標(biāo)分類
5.4.4 pLSA下的無(wú)向圖廣義目標(biāo)識(shí)別
5.5 總結(jié)
參考文獻(xiàn)
第6章 場(chǎng)景中目標(biāo)之間的關(guān)系
6.1 引言
6.2 與或圖和解析圖
6.3 視覺(jué)詞匯
6.3.1 視覺(jué)詞匯表達(dá)
6.3.2 低層圖像基元
6.3.3 中層圖基元對(duì)
6.3.4 高層目標(biāo)部分
6.4 關(guān)聯(lián)和結(jié)構(gòu)
6.4.1 關(guān)聯(lián)
6.4.2 結(jié)構(gòu)
6.5 目標(biāo)間關(guān)系的視覺(jué)應(yīng)用
6.5.1 星群模型的部分關(guān)聯(lián)分析
6.5.2 場(chǎng)景－目標(biāo)關(guān)聯(lián)的目標(biāo)識(shí)別
6.6 總結(jié)
參考文獻(xiàn)
第7章 場(chǎng)景描述與理解
7.1 引言
7.2 場(chǎng)景分類
7.2.1 場(chǎng)景分類的概念
7.2.2 場(chǎng)景分類的特點(diǎn)
7.2.3 場(chǎng)景的視覺(jué)感知層次
7.2.4 場(chǎng)景分類的方法
7.3 場(chǎng)景理解的視覺(jué)應(yīng)用
7.3.1 基于Gist特征的場(chǎng)景全局感知分類
7.3.2 基于高斯統(tǒng)計(jì)概率模型的場(chǎng)景分類
7.3.3 圖像理解的場(chǎng)景分析約束機(jī)制
7.4 總結(jié)
參考文獻(xiàn)
第8章 場(chǎng)景中的句法語(yǔ)義
8.1 引言
8.2 句法語(yǔ)言
8.2.1 句法重用和歧義結(jié)構(gòu)
8.2.2 語(yǔ)義詞匯表達(dá)
8.2.3 WordNet詞匯網(wǎng)
8.3 基于統(tǒng)計(jì)的句法分析
8.3.1 句法公式
8.3.2 隨機(jī)句法
8.3.3 上下文有關(guān)隨機(jī)句法
8.3.4 隨機(jī)句法與或圖
8.3.5 句法學(xué)習(xí)與推理
8.4 基于統(tǒng)計(jì)句法的視覺(jué)應(yīng)用
8.4.1 人造場(chǎng)景解析
8.4.2 人體外觀建模與推理
8.4.3 目標(biāo)類別推理識(shí)別
8.5 總結(jié)
參考文獻(xiàn)
第9章 圖像理解開(kāi)發(fā)環(huán)境
9.1 引言
9.2 圖像理解環(huán)境
9.2.1 IUE起源
9.2.2 IUE類譜系
9.2.3 IUE任務(wù)庫(kù)
9.2.4 IUE執(zhí)行界面和接口
9.3 OpenCV
9.3.1 OpenCV起源
9.3.2 OpenCV類譜系
9.3.3 OpenCV任務(wù)庫(kù)
9.3.4 OpenCV執(zhí)行界面和接口
9.3.5 OpenCV應(yīng)用實(shí)例
9.4 VXL
9.4.1 VXL起源
9.4.2 VXL類譜系
9.4.3 VXL任務(wù)庫(kù)
9.4.4 VXL執(zhí)行界面和接口
9.4.5 VXL應(yīng)用實(shí)例
9.5 總結(jié)
參考文獻(xiàn)
第10章 圖像數(shù)據(jù)集
10.1 引言
10.2 傳統(tǒng)圖像集
10.2.1 一般目標(biāo)識(shí)別圖像集
10.2.2 圖像檢索圖像集
10.2.3 手勢(shì)識(shí)別圖像集
10.2.4 數(shù)字識(shí)別圖像集
10.2.5 PASCAL圖像集
10.3 融合視覺(jué)知識(shí)的圖像集
10.3.1 圖像集中的視覺(jué)知識(shí)
10.3.2 LabelMe圖像集
10.3.3 LotusHill圖像集
10.4 總結(jié)
參考文獻(xiàn)