计算机视觉度量深入解析PDF|Epub|txt|kindle电子书版本网盘下载

计算机视觉度量深入解析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、Faveon和BSI3

1.1.4 动态范围和噪声5

1.1.5 传感器处理5

1.1.6 去马赛克6

1.1.7 坏像素的校正6

1.1.8 颜色和照明校正6

1.1.9 几何校正7

1.2 摄像机和计算成像7

1.2.1 计算成像概述7

1.2.2 单像素的摄像头计算8

1.2.3 二维可计算摄像机9

1.2.4 三维深度的摄像机系统10

1.3 三维深度处理21

1.3.1 方法概述21

1.3.2 深度感知和处理中存在的问题22

1.3.3 单目深度处理27

1.4 三维表示：体元、深度图、网格和点云31

1.5 总结32

第2章 图像预处理33

2.1 图像处理概述33

2.2 图像预处理要解决的问题34

2.2.1 计算机视觉的流程和图像预处理34

2.2.2 图像校正36

2.2.3 图像增强36

2.2.4 为特征提取准备图像37

2.3 图像处理方法分类41

2.3.1 点运算42

2.3.2 直线运算42

2.3.3 区域运算42

2.3.4 算法42

2.3.5 数据转换43

2.4 色度学43

2.4.1 色彩管理系统概述44

2.4.2 光源、白点、黑点和中性轴44

2.4.3 设备色彩模型45

2.4.4 颜色空间与色彩感知45

2.4.5 色域映射与渲染目的46

2.4.6 色彩增强的实际考虑47

2.4.7 色彩的准确度与精度48

2.5 空间滤波48

2.5.1 卷积滤波与检测48

2.5.2 核滤波与形状选择50

2.5.3 点滤波51

2.5.4 噪声与伪像滤波52

2.5.5 积分图与盒式滤波器53

2.6 边缘检测器54

2.6.1 核集合：Sobel， Scharr， Prewitt， Roberts， Kirsch， Robinson和Frei-Chen54

2.6.2 Canny检测器55

2.7 变换滤波、Fourier变换及其他56

2.7.1 Fourier变换56

2.7.2 其他变换58

2.8 形态学与分割59

2.8.1 二值形态学59

2.8.2 灰度和彩色形态学61

2.8.3 形态学优化和改进61

2.8.4 欧氏距离映射61

2.8.5 超像素分割62

2.8.6 深度图分割63

2.8.7 色彩分割64

2.9 阈值化64

2.9.1 全局阈值化65

2.9.2 局部阈值化68

2.10 总结69

第3章 全局特征和区域特征70

3.1 视觉特征的历史概述70

3.1.1 核心思想：全局、区域和局部71

3.1.2 纹理分析73

3.1.3 统计方法76

3.2 纹理区域度量77

3.2.1 边缘度量77

3.2.2 互相关和自相关79

3.2.3 Fourier频谱、小波和基签名79

3.2.4 共生矩阵和Haralick特征80

3.2.5 Laws纹理度量89

3.2.6 LBP局部二值模式90

3.2.7 动态纹理91

3.3 统计区域度量91

3.3.1 图像矩特征92

3.3.2 点度量特征92

3.3.3 全局直方图94

3.3.4 局部区域直方图94

3.3.5 散点图和3D直方图95

3.3.6 多分辨率和多尺度直方图97

3.3.7 径向直方图98

3.3.8 轮廓或边缘直方图99

3.4 基空间度量99

3.4.1 Fourier描述101

3.4.2 Walsh-Hadamard变换102

3.4.3 HAAR变换103

3.4.4 斜变换103

3.4.5 Zernike多项式103

3.4.6 导向滤波器104

3.4.7 Karhunen-Loeve变换与Hotelling变换104

3.4.8 小波变换和Gabor滤波器105

3.4.9 Hough变换与Radon变换106

3.5 总结108

第4章 局部特征设计、分类和学习109

4.1 局部特征109

4.1.1 检测器、兴趣点、关键点、锚点、标注110

4.1.2 描述子、特征描述、特征提取110

4.1.3 稀疏局部模式方法111

4.2 局部特征属性111

4.2.1 选择特征描述子和兴趣点111

4.2.2 特征描述子和特征匹配112

4.2.3 好特征的标准112

4.2.4 可重复性，相对于困难的查找算容易113

4.2.5 判别性与非判别性114

4.2.6 相对和绝对位置114

4.2.7 匹配代价和一致性114

4.3 距离函数115

4.3.1 关于距离函数的早期研究成果115

4.3.2 欧氏或笛卡儿距离度量116

4.3.3 网格距离度量118

4.3.4 基于统计学的差异性度量119

4.3.5 二值或布尔距离度量120

4.4 描述子的表示121

4.4.1 坐标空间和复数空间121

4.4.2 笛卡儿坐标121

4.4.3 极坐标和对数极坐标121

4.4.4 径向坐标122

4.4.5 球面坐标122

4.4.6 Gauge坐标122

4.4.7 多元空间和多模数据122

4.4.8 特征金字塔123

4.5 描述子的密度123

4.5.1 丢弃兴趣点和描述子124

4.5.2 稠密与稀疏特征描述124

4.6 描述子形状拓扑125

4.6.1 关联性模板125

4.6.2 块和形状125

4.6.3 对象多边形127

4.7 局部二值描述与点对模式128

4.7.1 FREAK视网膜模式129

4.7.2 Brisk模式130

4.7.3 ORB和BRIEF模式131

4.8 描述子判别性131

4.8.1 谱的判别性132

4.8.2 区域、形状和模式的判别性133

4.8.3 几何判别因素133

4.8.4 通过特征可视化来评价判别性134

4.8.5 精度与可跟踪136

4.8.6 精度优化、子区域重叠、Gaussian权重和池化138

4.8.7 亚像素精度138

4.9 搜索策略与优化139

4.9.1 密集搜索139

4.9.2 网格搜索139

4.9.3 多尺度金字塔搜索140

4.9.4 尺度空间和图像金字塔140

4.9.5 特征金字塔142

4.9.6 稀疏预测搜索与跟踪142

4.9.7 跟踪区域限制搜寻143

4.9.8 分割限制搜索143

4.9.9 深度或Z限制搜索143

4.10 计算机视觉、模型和结构144

4.10.1 特征空间144

4.10.2 对象模型145

4.10.3 约束146

4.10.4 选择检测器和特征146

4.10.5 训练概述147

4.10.6 特征和对象的分类148

4.10.7 特征学习、稀疏编码和卷积网络154

4.11 总结158

第5章 特征描述属性的分类学159

5.1 特征描述子系列160

5.2 计算机视觉分类学方面的早期研究成果161

5.3 鲁棒性和精度161

5.4 通用的鲁棒性分类学162

5.4.1 光照163

5.4.2 颜色准则163

5.4.3 不完全性164

5.4.4 分辨率和精度164

5.4.5 几何失真165

5.4.6 效率变量、费用和效益165

5.4.7 判别性和唯一性165

5.5 通用的视觉度量分类学166

5.5.1 特征描述子族168

5.5.2 频谱维度168

5.5.3 频谱类型168

5.5.4 兴趣点171

5.5.5 存储格式171

5.5.6 数据类型172

5.5.7 描述子内存172

5.5.8 特征形状173

5.5.9 特征模式173

5.5.10 特征密度174

5.5.11 特征搜索方法174

5.5.12 模式对采样175

5.5.13 模式区域大小176

5.5.14 距离函数176

5.6 特征度量评估177

5.6.1 效率变量、成本和效益177

5.6.2 图像重建的效率度量178

5.6.3 特征度量评估举例178

5.7 总结180

第6章 兴趣点检测与特征描述子研究181

6.1 兴趣点调整181

6.2 兴趣点概念182

6.3 兴趣点方法概述184

6.3.1 Laplacian和Gaussian -Laplacian185

6.3.2 Moravac角点检测器185

6.3.3 Harris方法、Harris-Stephens、 Shi-Tomasi以及Hessian类型的检测器186

6.3.4 Hessian矩阵检测器和Hessian-Laplace186

6.3.5 Gaussian差187

6.3.6 显著性区域187

6.3.7 SUSAN、 Trajkovic以及Hedly187

6.3.8 Fast、 Faster以及AGHAST188

6.3.9 局部曲率方法189

6.3.10 形态兴趣区域189

6.4 特征描述子介绍190

6.4.1 局部二值描述子190

6.4.2 Census197

6.4.3 BRIEF198

6.4.4 ORB199

6.4.5 BRISK200

6.4.6 FREAK201

6.5 谱描述子202

6.5.1 SIFT202

6.5.2 SIFT-PCA206

6.5.3 SIFT-GLOH207

6.5.4 改进的SIF-SIFER207

6.5.5 SIFT CS-LBP改造208

6.5.6 RootSIFT改造208

6.5.7 CenSurE和STAR209

6.5.8 相关模板210

6.5.9 HAAR特征212

6.5.10 使用类HAAR特征的Viola Jones算法213

6.5.11 SURF214

6.5.12 其他SURF算法215

6.5.13 梯度直方图及变种216

6.5.14 PHOG和相关方法217

6.5.15 Daisy和O-Daisy218

6.5.16 CARD219

6.5.17 具有鲁棒性的快速特征匹配221

6.5.18 RIFF和CHOG222

6.5.19 链码直方图223

6.5.20 D-NETS224

6.5.21 局部梯度模式225

6.5.22 局部相位量化225

6.6 基空间描述子226

6.6.1 傅里叶描述子227

6.6.2 用其他基函数来构建描述子228

6.6.3 稀疏编码方法228

6.7 多边形形状描述229

6.7.1 MSER方法229

6.7.2 针对斑点和多边形的物体形状度量230

6.7.3 形状上下文233

6.8 3D、4D、体积以及多模态描述子234

6.8.1 3D HOG235

6.8.2 HON 4D235

6.8.3 3D SIFT236

6.9 总结237

第7章 基准数据、内容、度量和分析238

7.1 什么是基准数据？238

7.2 先前关于标注数据方面的研究：艺术与科学240

7.2.1 质量性能的一般度量240

7.2.2 算法性能的衡量241

7.2.3 Rosin关于角点方面的研究工作242

7.3 构造基准数据的关键问题243

7.3.1 内容：采用、修改或创建243

7.3.2 可用的基准数据介绍243

7.3.3 使用数据拟合算法244

7.3.4 场景构成和标记245

7.4 定义目标和预期247

7.4.1 Mikolajczyk和Schmid的方法学247

7.4.2 开放式评价系统248

7.4.3 极端情况和限制248

7.4.4 兴趣点和特征248

7.5 基准数据的鲁棒性准则249

7.5.1 举例说明鲁棒性准则249

7.5.2 将鲁棒性准则用于实际应用250

7.6 度量与基准数据的配对252

7.6.1 兴趣点、特征和基准数据的配对和优化252

7.6.2 一般的视觉分类学的例子253

7.7 合成的特征字母表254

7.7.1 合成数据集的目标254

7.7.2 合成兴趣点字母表256

7.7.3 将合成字母表叠加到真实图像上258

7.8 总结260

第8章 可视流程及优化261

8.1 阶段、操作和资源261

8.2 计算资源预算263

8.2.1 计算单元、ALU和加速器265

8.2.2 能耗的使用266

8.2.3 内存的利用266

8.2.4 I/O性能269

8.3 计算机视觉流程的实例270

8.3.1 汽车识别270

8.3.2 人脸检测、情感识别以及年龄识别277

8.3.3 图像分类285

8.3.4 增强现实289

8.4 可选的加速方案294

8.4.1 内存优化294

8.4.2 粗粒度并行296

8.4.3 细粒度数据并行297

8.4.4 高级指令集和加速器300

8.5 计算机视觉算法的优化与调整301

8.5.1 编译器优化与手工优化301

8.5.2 特征描述子改造、检测器和距离函数302

8.5.3 Boxlets与卷积加速303

8.5.4 数据类型优化，整型与浮点型303

8.6 优化资源304

8.7 总结304

附录A合成特征分析306

A.1 目标的背景与期望307

A.2 测试方法和结果309

A.3 合成字母基准图像概述311

A.4 测试1：合成兴趣点字母检测313

A.5 测试2：合成角点字母检测323

A.6 测试3：叠加到真实图像上的合成字母检测333

A.7 测试4：字母的旋转不变性333

A.8 结果分析和不可重复性异常336

附录B 基准数据集概述339

附录C 成像和计算机视觉资源347

C.1 商业产品347

C.2 开放源码348

C.3 组织、机构和标准350

C.4 在线资源351

附录D 扩展SDM准则353

译后记370

参考文献372