計算機視覺教程（第2版）

1、　緒論　1
1．1 計算機視覺　1
1．1．1 視覺概述　1
1．1．2 計算機視覺的目標　2
1．1．3 相關(guān)學科　2
1．1．4 應(yīng)用領(lǐng)域　4
1．2 圖像基礎(chǔ)　4
1．2．1 圖像及類別　4
1．2．2 圖像表達和顯示　6
1．2．3 圖像存儲　7
1．3 像素間聯(lián)系　10
1．3．1 像素鄰域　10
1．3．2 像素間距離　11
1．4 本書內(nèi)容提要　14
1．4．1 計算機視覺系統(tǒng)及模塊　14
1．4．2 如何學習使用本書　15
總結(jié)和復(fù)習　17
2、　圖像采集　19
2．1 采集裝置　19
2．2 采集模型　20
2．2．1 幾何成像模型　21
2．2．2 亮度成像模型　26
2．2．3 空間和幅度分辨率　28
2．3 采集方式　29
2．3．1 成像方式一覽　29
2．3．2 結(jié)構(gòu)光法　30
2．4 攝像機標定　32
2．4．1 標定程序和步驟　32
2．4．2 兩級標定法　34
總結(jié)和復(fù)習　37
3、　圖像預(yù)處理　39
3．1 坐標變換　39
3．1．1 基本坐標變換　39
3．1．2 幾何失真校正　41
3．2 灰度映射　43
3．2．1 灰度映射原理　43
3．2．2 灰度映射示例　43
3．3 直方圖修正　45
3．3．1 直方圖均衡化　45
3．3．2 直方圖規(guī)定化　47
3．4 空域濾波　50
3．4．1 原理和分類　50
3．4．2 線性平滑濾波　51
3．4．3 線性銳化濾波　53
3．4．4 非線性平滑濾波　53
3．4．5 非線性銳化濾波　56
總結(jié)和復(fù)習　57
4、　基元檢測　59
4．1 邊緣檢測　59
4．1．1 檢測原理　59
4．1．2 一階導(dǎo)數(shù)算子　60
4．1．3 二階導(dǎo)數(shù)算子　64
4．1．4 邊界閉合　68
4．1．5 邊界細化　68
4．2 SUSAN算子　69
4．2．1 USAN原理　69
4．2．2 角點和邊緣檢測　70
4．3 哈里斯興趣點算子　73
4．4 哈夫變換　75
4．3．1 基本哈夫變換　75
4．3．2 廣義哈夫變換　78
4．3．3 完整廣義哈夫變換　80
4．5 橢圓定位和檢測　81
4．6 位置直方圖技術(shù)　83
總結(jié)和復(fù)習　85
5、　目標分割　87
5．1 輪廓搜索　87
5．1．1 圖搜索　87
5．1．2 動態(tài)規(guī)劃　89
5．2 主動輪廓模型　90
5．2．1 主動輪廓　90
5．2．2 能量函數(shù)　91
5．3 基本閾值技術(shù)　93
5．3．1 原理和分類　93
5．3．2 全局閾值的選取　94
5．3．3 局部閾值的選取　96
5．3．4 動態(tài)閾值的選取　99
5．4 特色閾值方法　99
5．4．1 多分辨率閾值　99
5．4．2 過渡區(qū)閾值　101
5．5 特征空間聚類　103
5．5．1 基本聚類方法　103
5．5．2 均移確定聚類中心　104
總結(jié)和復(fù)習　105
6、　目標表達和描述　107
6．1 基于邊界的表達　107
6．1．1 鏈碼　107
6．1．2 邊界段和凸包　109
6．1．3 邊界標記　110
6．2 基于區(qū)域的表達　112
6．2．1 四叉樹　112
6．2．2 圍繞區(qū)域　113
6．2．3 骨架　113
6．3 基于邊界的描述　115
6．3．1 邊界長度和直徑　115
6．3．2 邊界形狀數(shù)　116
6．3．3 輪廓形狀矩陣　117
6．4 基于區(qū)域的描述　118
6．4．1 區(qū)域面積和密度　118
6．4．2 區(qū)域形狀數(shù)　119
6．4．3 區(qū)域不變矩　120
6．4．4 拓撲描述符　122
總結(jié)和復(fù)習　123
7、　紋理分析　125
7．1 統(tǒng)計描述方法　125
7．1．1 灰度共生矩陣　125
7．1．2 基于共生矩陣的描述　127
7．1．3 基于能量的描述　127
7．2 結(jié)構(gòu)描述方法　129
7．2．1 結(jié)構(gòu)描述原理　129
7．2．2 紋理鑲嵌　131
7．2．3 局部二值模式　131
7．3 頻譜描述方法　133
7．3．1 傅里葉頻譜描述　133
7．3．2 蓋伯頻譜描述　135
7．4 紋理圖像分割　136
7．4．1 有監(jiān)督紋理分割　137
7．4．2 無監(jiān)督紋理分割　139
總結(jié)和復(fù)習　141
8、　形狀分析　143
8．1 形狀緊湊性描述符　143
8．2 形狀復(fù)雜性描述符　149
8．3 基于多邊形的形狀分析　151
8．3．1 多邊形計算　151
8．3．2 多邊形描述　152
8．4 基于曲率的形狀分析　154
8．4．1 輪廓曲率　154
8．4．2 曲面曲率　157
總結(jié)和復(fù)習　158
9、　立體視覺　160
9．1 立體視覺模塊　160
9．2 雙目成像和視差　162
9．2．1 雙目橫向模式　162
9．2．2 雙目橫向會聚模式　164
9．2．3 雙目縱向模式　165
9．3 基于區(qū)域的立體匹配　166
9．3．1 模板匹配　166
9．3．2 雙目立體匹配　167
9．4 基于特征的立體匹配　173
9．4．1 點對點的方法　173
9．4．2 動態(tài)規(guī)劃匹配　175
總結(jié)和復(fù)習　176
10、三維景物恢復(fù)　179
10．1 由光移恢復(fù)表面朝向　179
10．1．1 表面反射特性　179
10．1．2 目標表面朝向　182
10．1．3 反射圖　183
10．1．4 光度立體學求解　184
10．2 從影調(diào)獲取形狀信息　186
10．2．1 影調(diào)與形狀　186
10．2．2 求解亮度方程　188
10．3 紋理變化與表面朝向　190
10．3．1 三種典型變化　190
10．3．2 確定線段的紋理消失點　192
10．4 根據(jù)焦距確定深度　195
總結(jié)和復(fù)習　196
11、運動分析　198
11．1 運動分類和表達　198
11．2 全局運動檢測　201
11．2．1 利用圖像差的檢測　202
11．2．2 基于模型的檢測　204
11．3 運動目標檢測和分割　206
11．3．1 背景建?！?06
11．3．2 運動目標跟蹤　209
11．3．3 運動目標分割　213
11．4 運動光流和表面取向　214
11．4．1 光流約束方程　214
11．4．2 光流計算　214
11．4．3 光流與表面取向　218
總結(jié)和復(fù)習　221
12、景物識別　223
12．1 統(tǒng)計模式分類　223
12．1．1 模式分類原理　223
12．1．2 最小距離分類器　224
12．1．3 最優(yōu)統(tǒng)計分類器　225
12．2 感知機　228
12．3 支持向量機　231
12．4 結(jié)構(gòu)模式識別　234
12．4．1 字符串結(jié)構(gòu)識別　234
12．4．2 樹結(jié)構(gòu)識別　237
總結(jié)和復(fù)習　239
13、廣義匹配　241
13．1 目標匹配　241
13．1．1 匹配的度量　241
13．1．2 字符串匹配　244
13．1．3 慣量等效橢圓匹配　245
13．2 動態(tài)模式匹配　247
13．3 關(guān)系匹配　249
13．3．1 關(guān)系表達和距離　249
13．3．2 關(guān)系匹配模型　251
13．4 圖同構(gòu)匹配　252
13．4．1 圖論基礎(chǔ)　252
13．4．2 圖同構(gòu)和匹配　255
總結(jié)和復(fù)習　256
14、時空行為理解　259
14．1 時空技術(shù)　259
14．2 時空興趣點　260
14．3 動態(tài)軌跡學習和分析　262
14．3．1 自動場景建模　263
14．3．2 路徑學習　264
14．3．3 自動活動分析　266
14．4 動作分類和識別　267
14．4．1 動作分類　267
14．4．2 動作識別　268
14．5 活動和行為建?！?72
14．5．1 動作建?！?72
14．5．2 活動建模和識別　275
總結(jié)和復(fù)習　278
15、場景解釋　280
15．1 線條圖標記解釋　280
15．2 體育比賽視頻排序　283
15．3 計算機視覺系統(tǒng)模型　287
15．3．1 多層次串行結(jié)構(gòu)　287
15．3．2 知識庫為中心的輻射結(jié)構(gòu)　288
15．3．3 知識庫為根的樹結(jié)構(gòu)　288
15．3．4 多模塊交叉配合結(jié)構(gòu)　289
15．4 計算機視覺理論框架　290
15．4．1 馬爾視覺計算理論　290
15．4．2 對馬爾理論框架的改進　293
15．4．3 新理論框架的研究　294
總結(jié)和復(fù)習　296
部分練習題解答　298
參考文獻　304
索引　310