計算機視覺基礎(chǔ)

譯者序
前言
致老師
第一部分　導(dǎo)論
第1章　計算機視覺的定義及其歷史2
1.1　簡介2
1.2　定義2
1.3　局部全局問題3
1.4　生物視覺4
1.4.1　生物動因4
1.4.2　視覺感知6
參考文獻7
第2章　編寫圖像處理程序8
2.1　簡介8
2.2　圖像處理的基本程序結(jié)構(gòu)8
2.3　良好的編程風(fēng)格9
2.4　計算機視覺的重點9
2.5　圖像分析軟件工具包10
2.6　makefile10
2.7　作業(yè)11
參考文獻11
第3章　數(shù)學(xué)原理回顧12
3.1　簡介12
3.2　線性代數(shù)簡要回顧12
3.2.1　向量12
3.2.2　向量空間14
3.2.3　零空間15
3.2.4　函數(shù)空間16
3.2.5　線性變換17
3.2.6　導(dǎo)數(shù)和導(dǎo)數(shù)算子19
3.2.7　特征值和特征向量20
3.2.8　特征分解21
3.2.9　奇異值分解21
3.3　函數(shù)最小化簡要回顧23
3.3.1　梯度下降23
3.3.2　局部最小值和全局最小值26
3.3.3　模擬退火27
3.4　概率論簡要回顧28
3.5　作業(yè)30
參考文獻31
第4章　圖像：表示和創(chuàng)建32
4.1　簡介32
4.2　圖像表示32
4.2.1　標(biāo)志性表示（圖像）32
4.2.2　函數(shù)表示(方程)34
4.2.3　線性表示(向量)34
4.2.4　概率表示（隨機場）35
4.2.5　圖形表示（圖）35
4.2.6　鄰接悖論和六邊形像素36
4.3　作為曲面的圖像38
4.3.1　梯度38
4.3.2　等值線38
4.3.3　脊39
4.4　作業(yè)39
參考文獻40
第二部分　預(yù)處理
第5章　卷積核算子42
5.1　簡介42
5.2　線性算子42
5.3　圖像的向量表示44
5.4　導(dǎo)數(shù)估計45
5.4.1　使用核估計導(dǎo)數(shù)46
5.4.2　通過函數(shù)擬合來估計導(dǎo)數(shù)46
5.4.3　圖像基向量49
5.4.4　核作為采樣可微分函數(shù)50
5.4.5　其他高階導(dǎo)數(shù)53
5.4.6　尺度簡介54
5.5　邊緣檢測55
5.6　尺度空間58
5.6.1　金字塔58
5.6.2　沒有重采樣的尺度空間59
5.7　示例61
5.8　數(shù)字梯度檢測器的性能63
5.8.1　方向?qū)?shù)63
5.8.2　方向估計67
5.8.3　討論70
5.9　總結(jié)71
5.10　作業(yè)71
參考文獻76
第6章　去噪78
6.1　簡介78
6.2　圖像平滑78
6.2.1　一維情況79
6.2.2　二維情況79
6.3　使用雙邊濾波器實現(xiàn)保邊平滑82
6.4　使用擴散方程實現(xiàn)保邊平滑84
6.4.1　一維空間的擴散方程84
6.4.2　PDE模擬85
6.4.3　二維空間的擴散方程85
6.4.4　可變電導(dǎo)擴散86
6.5　使用優(yōu)化實現(xiàn)保邊平滑87
6.5.1　噪聲消除的目標(biāo)函數(shù)87
6.5.2　尋找一個先驗項90
6.5.3　MAP算法實現(xiàn)和均場退火92
6.5.4　病態(tài)問題和正則化94
6.6　等效算法95
6.7　總結(jié)97
6.8　作業(yè)97
參考文獻99
第7章　數(shù)學(xué)形態(tài)學(xué)101
7.1　簡介101
7.2　二值形態(tài)學(xué)101
7.2.1　膨脹101
7.2.2　腐蝕106
7.2.3　膨脹和腐蝕的性質(zhì)107
7.2.4　開運算和閉運算108
7.2.5　開運算和閉運算的性質(zhì)109
7.3　灰度形態(tài)學(xué)109
7.3.1　使用平面結(jié)構(gòu)元素的灰度圖像110
7.3.2　使用灰度結(jié)構(gòu)元素的灰度圖像113
7.3.3　使用集合運算的灰度形態(tài)學(xué)114
7.4　距離變換114
7.4.1　使用迭代最近鄰計算DT115
7.4.2　使用二值形態(tài)運算計算DT115
7.4.3　使用掩碼計算DT115
7.4.4　使用維諾圖計算DT117
7.5　邊緣鏈接的應(yīng)用117
7.6　總結(jié)120
7.7　作業(yè)121
參考文獻122
第三部分　圖像理解
第8章　分割124
8.1　簡介124
8.2　閾值：僅基于亮度的分割125
8.2.1　閾值的局部性質(zhì)125
8.2.2　通過直方圖分析選擇閾值126
8.2.3　用高斯和擬合直方圖129
8.2.4　高斯混合模型與期望最大化130
8.3　聚類：基于顏色相似度的分割132
8.3.1　k-均值聚類133
8.3.2　均值移位聚類135
8.4　連接組件：使用區(qū)域增長的空間分割136
8.4.1　遞歸方法136
8.4.2　迭代方法138
8.4.3　示例應(yīng)用139
8.5　使用主動輪廓進行分割140
8.5.1　snake：離散和連續(xù)140
8.5.2　水平集：包含邊或者不包含邊144
8.6　分水嶺：基于亮度曲面的分割151
8.7　圖割：基于圖論的分割156
8.7.1　目標(biāo)函數(shù)157
8.7.2　求解目標(biāo)函數(shù)158
8.8　使用MFA進行分割159
8.9　評估分割的質(zhì)量160
8.10　總結(jié)161
8.11　作業(yè)162
參考文獻163
第9章　參數(shù)變換167
9.1　簡介167
9.2　霍夫變換168
9.2.1　垂線問題169
9.2.2　如何找到交點——累加器數(shù)組169
9.2.3　使用梯度降低計算復(fù)雜度170
9.3　尋找圓171
9.3.1　由任意三個非共線像素表示的圓的位置推導(dǎo)171
9.3.2　當(dāng)原點未知但半徑已知時找圓172
9.3.3　利用梯度信息減少找圓的計算172
9.4　尋找橢圓172
9.5　廣義霍夫變換174
9.6　尋找峰值175
9.7　尋找三維形狀——高斯圖176
9.8　尋找對應(yīng)體——立體視覺中的參數(shù)一致性177
9.9　總結(jié)179
9.10　作業(yè)179
參考文