目錄

第一部分圖像生成
第1章攝像機(jī)的幾何模型
1.1圖像成像
1.1.1針孔透視
1.1.2弱透視
1.1.3帶鏡頭的照相機(jī)
1.1.4人的眼睛
1.2內(nèi)參數(shù)和外參數(shù)
1.2.1剛體變換和齊次坐標(biāo)
1.2.2內(nèi)參數(shù)
1.2.3外參數(shù)
1.2.4透視投影矩陣
1.2.5弱透視投影矩陣
1.3照相機(jī)的幾何標(biāo)定
1.3.1使用線性方法對(duì)照相機(jī)進(jìn)行標(biāo)定
1.3.2使用非線性方法對(duì)照相機(jī)進(jìn)行標(biāo)定
1.4注釋
習(xí)題
編程練習(xí)
第2章光照及陰影
2.1像素的亮度
2.1.1表面反射
2.1.2光源及其產(chǎn)生的效果
2.1.3朗伯 鏡面反射模型
2.1.4面光源
2.2陰影的估算
2.2.1輻射校準(zhǔn)和高動(dòng)態(tài)范圍圖像
2.2.2鏡面反射模型
2.2.3對(duì)亮度和照度的推理
2.2.4光度立體技術(shù):從多幅陰影圖像恢復(fù)形狀
2.3對(duì)互反射進(jìn)行建模
2.3.1源于區(qū)域光在一個(gè)塊上的照度
2.3.2熱輻射和存在性
2.3.3互反射模型
2.3.4互反射的定性性質(zhì)
2.4一個(gè)陰影圖像的形狀
2.5注釋
習(xí)題
編程練習(xí)
第3章顏色
3.1人類顏色感知
3.1.1顏色匹配
3.1.2顏色感受體
3.2顏色物理學(xué)
3.2.1顏色的來源
3.2.2表面顏色
3.3顏色表示
3.3.1線性顏色空間
3.3.2非線性顏色空間
3.4圖像顏色的模型
3.4.1漫反射項(xiàng)
3.4.2鏡面反射項(xiàng)
3.5基于顏色的推論
3.5.1用顏色發(fā)現(xiàn)鏡面反射
3.5.2用顏色去除陰影
3.5.3顏色恒常性:從圖像顏色獲得表面顏色
3.6注釋
習(xí)題
編程練習(xí)
第二部分早期視覺:使用一幅圖像
第4章線性濾波
4.1線性濾波與卷積
4.1.1卷積
4.2移不變線性系統(tǒng)
4.2.1離散卷積
4.2.2連續(xù)卷積
4.2.3離散卷積的邊緣效應(yīng)
4.3空間頻率和傅里葉變換
4.3.1傅里葉變換
4.4采樣和混疊
4.4.1采樣
4.4.2混疊
4.4.3平滑和重采樣
4.5濾波器與模板
4.5.1卷積與點(diǎn)積
4.5.2基的改變
4.6技術(shù):歸一化相關(guān)和檢測(cè)模式
4.6.1通過歸一化相關(guān)檢測(cè)手勢(shì)的方法來控制電視機(jī)
4.7技術(shù):尺度和圖像金字塔
4.7.1高斯金字塔
4.7.2多尺度表示的應(yīng)用
4.8注釋
習(xí)題
編程練習(xí)
第5章局部圖像特征
5.1計(jì)算圖像梯度
5.1.1差分高斯濾波
5.2對(duì)圖像梯度的表征
5.2.1基于梯度的邊緣檢測(cè)子
5.2.2方向
5.3查找角點(diǎn)和建立近鄰
5.3.1查找角點(diǎn)
5.3.2采用尺度和方向構(gòu)建近鄰
5.4通過SIFT特征和HOG特征描述近鄰
5.4.1SIFT特征
5.4.2HOG特征
5.5實(shí)際計(jì)算局部特征
5.6注釋
習(xí)題
編程練習(xí)
第6章紋理
6.1利用濾波器進(jìn)行局部紋理表征
6.1.1斑點(diǎn)和條紋
6.1.2從濾波器輸出到紋理表征
6.1.3實(shí)際局部紋理表征
6.2通過紋理基元的池化紋理表征
6.2.1向量量化和紋理基元
6.2.2k均值聚類的向量量化
6.3紋理合成和對(duì)圖像中的空洞進(jìn)行填充
6.3.1通過局部模型采樣進(jìn)行合成
6.3.2填充圖像中的空洞
6.4圖像去噪
6.4.1非局部均值
6.4.2三維塊匹配(BM3D)
6.4.3稀疏編碼學(xué)習(xí)
6.4.4結(jié)果
6.5由紋理恢復(fù)形狀
6.5.1在平面內(nèi)由紋理恢復(fù)形狀
6.5.2從彎曲表面的紋理恢復(fù)形狀
6.6注釋
習(xí)題
編程練習(xí)
第三部分低層視覺:使用多幅圖像
第7章立體視覺
7.1雙目攝像機(jī)的幾何屬性和對(duì)極約束
7.1.1對(duì)極幾何
7.1.2本征矩陣
7.1.3基礎(chǔ)矩陣
7.2雙目重構(gòu)
7.2.1圖像矯正
7.3人類立體視覺
7.4雙目融合的局部算法
7.4.1相關(guān)
7.4.2多尺度的邊緣匹配
7.5雙目融合的全局算法
7.5.1排序約束和動(dòng)態(tài)規(guī)劃
7.5.2平滑約束和基于圖的組合優(yōu)化
7.6使用多臺(tái)攝像機(jī)
7.7應(yīng)用:機(jī)器人導(dǎo)航
7.8注釋
習(xí)題
編程練習(xí)
第8章從運(yùn)動(dòng)中恢復(fù)三維結(jié)構(gòu)
8.1內(nèi)部標(biāo)定的透視攝像機(jī)
8.1.1問題的自然歧義性
8.1.2從兩幅圖像估計(jì)歐氏結(jié)構(gòu)和運(yùn)動(dòng)
8.1.3從多幅圖像估計(jì)歐氏結(jié)構(gòu)和運(yùn)動(dòng)
8.2非標(biāo)定的弱透視攝像機(jī)
8.2.1問題的自然歧義性
8.2.2從兩幅圖像恢復(fù)仿射結(jié)構(gòu)和運(yùn)動(dòng)
8.2.3從多幅圖像恢復(fù)仿射結(jié)構(gòu)和運(yùn)動(dòng)
8.2.4從仿射到歐氏圖像
8.3非標(biāo)定的透視攝像機(jī)
8.3.1問題的自然歧義性
8.3.2從兩幅圖像恢復(fù)投影結(jié)構(gòu)和運(yùn)動(dòng)
8.3.3從多幅圖像恢復(fù)投影結(jié)構(gòu)和運(yùn)動(dòng)
8.3.4從投影到歐氏圖像
8.4注釋
習(xí)題
編程練習(xí)
第四部分中層視覺方法
第9章基于聚類的分割方法
9.1人類視覺:分組和格式塔原理
9.2重要應(yīng)用
9.2.1背景差分
9.2.2鏡頭的邊界檢測(cè)
9.2.3交互分割
9.2.4形成圖像區(qū)域
9.3基于像素點(diǎn)聚類的圖像分割
9.3.1基本的聚類方法
9.3.2分水嶺算法
9.3.3使用k均值算法進(jìn)行分割
9.3.4均值漂移:查找數(shù)據(jù)中的局部模型
9.3.5采用均值漂移進(jìn)行聚類和分割
9.4分割、聚類和圖論
9.4.1圖論術(shù)語和相關(guān)事實(shí)
9.4.2根據(jù)圖論進(jìn)行凝聚式聚類
9.4.3根據(jù)圖論進(jìn)行分解式聚類
9.4.4歸一化切割
9.5圖像分割在實(shí)際中的應(yīng)用
9.5.1對(duì)分割器的評(píng)估
9.6注釋
習(xí)題
編程練習(xí)
第10章分組與模型擬合
10.1霍夫變換
10.1.1用霍夫變換擬合直線
10.1.2霍夫變換的使用
10.2擬合直線與平面
10.2.1擬合單一直線
10.2.2擬合平面
10.2.3擬合多條直線
10.3擬合曲線
10.4魯棒性
10.4.1M估計(jì)法
10.4.2RANSAC:搜尋正常點(diǎn)
10.5用概率模型進(jìn)行擬合
10.5.1數(shù)據(jù)缺失問題
10.5.2混合模型和隱含變量
10.5.3混合模型的EM算法
10.5.4EM算法的難點(diǎn)
10.6基于參數(shù)估計(jì)的運(yùn)動(dòng)分割
10.6.1光流和運(yùn)動(dòng)
10.6.2光流模型
10.6.3用分層法分割運(yùn)動(dòng)
10.7模型選擇:哪個(gè)最好
10.7.1利用交叉驗(yàn)證選擇模型
10.8注釋
習(xí)題
編程練習(xí)
第11章跟蹤
11.1簡單跟蹤策略
11.1.1基于檢測(cè)的跟蹤
11.1.2基于匹配的平移跟蹤
11.1.3使用仿射變換來確定匹配
11.2匹配跟蹤
11.2.1匹配摘要表征
11.2.2流跟蹤
11.3基于卡爾曼濾波器的線性動(dòng)態(tài)模型跟蹤
11.3.1線性測(cè)量值和線性動(dòng)態(tài)模型
11.3.2卡爾曼濾波
11.3.3前向后向平滑
11.4數(shù)據(jù)相關(guān)
11.4.1卡爾曼濾波檢測(cè)方法
11.4.2數(shù)據(jù)相關(guān)的關(guān)鍵方法
11.5粒子濾波
11.5.1概率分布的采樣表示
11.5.2最簡單的粒子濾波器
11.5.3跟蹤算法
11.5.4可行的粒子濾波器
11.5.5創(chuàng)建粒子濾波器中的粒子問題
11.6注釋
習(xí)題
編程練習(xí)
第五部分高層視覺
第12章配準(zhǔn)
12.1剛性物體配準(zhǔn)
12.1.1迭代最近點(diǎn)
12.1.2通過關(guān)聯(lián)搜索轉(zhuǎn)換關(guān)系
12.1.3應(yīng)用:建立圖像拼接
12.2基于模型的視覺:使用投影配準(zhǔn)剛性物體
12.2.1驗(yàn)證:比較轉(zhuǎn)換與渲染后的原圖與目標(biāo)圖
12.3配準(zhǔn)可形變目標(biāo)
12.3.1使用主動(dòng)外觀模型對(duì)紋理進(jìn)行變形
12.3.2實(shí)踐中的主動(dòng)外觀模型
12.3.3應(yīng)用:醫(yī)療成像系統(tǒng)中的配準(zhǔn)
12.4注釋
習(xí)題
編程練習(xí)
第13章平滑的表面及其輪廓
13.1微分幾何的元素
13.1.1曲線
13.1.2表面
13.2表面輪廓幾何學(xué)
13.2.1遮擋輪廓和圖形輪廓
13.2.2圖像輪廓的歧點(diǎn)和拐點(diǎn)
13.2.3Koenderink定理
13.3視覺事件:微分幾何的補(bǔ)充
13.3.1高斯映射的幾何關(guān)系
13.3.2漸近曲線
13.3.3漸近球面映射
13.3.4局部視覺事件
13.3.5雙切射線流形
13.3.6多重局部視覺事件
13.3.7外觀圖
13.4注釋
習(xí)題
第14章深度數(shù)據(jù)
14.1主動(dòng)深度傳感器
14.2深度數(shù)據(jù)的分割
14.2.1分析微分幾何學(xué)的基本元素
14.2.2在深度圖像中尋找階躍和頂邊
14.2.3把深度圖像分割為平面區(qū)域
14.3深度圖像的配準(zhǔn)和模型獲取
14.3.1四元組
14.3.2使用最近點(diǎn)迭代方法配準(zhǔn)深度圖像
14.3.3多幅深度圖像的融合
14.4物體識(shí)別
14.4.1使用解釋樹匹配分段平面表示的表面
14.4.2使用自旋圖像匹配自由形態(tài)的曲面
14.5Kinect
14.5.1特征
14.5.2技術(shù):決策樹和隨機(jī)森林
14.5.3標(biāo)記像素
14.5.4計(jì)算關(guān)節(jié)位置
14.6注釋
習(xí)題
編程練習(xí)
第15章用于分類的學(xué)習(xí)
15.1分類、誤差和損失函數(shù)
15.1.1基于損失的決策
15.1.2訓(xùn)練誤差、測(cè)試誤差和過擬合
15.1.3正則化
15.1.4錯(cuò)誤率和交叉驗(yàn)證
15.1.5受試者工作特征曲線(ROC)
15.2主要的分類策略
15.2.1示例:采用歸一化類條件密度的馬氏距離
15.2.2示例:類條件直方圖和樸素貝葉斯
15.2.3示例:采用最近鄰的非參分類器
15.2.4示例:線性支持向量機(jī)
15.2.5示例:核機(jī)器
15.2.6示例:級(jí)聯(lián)和Adaboost
15.3構(gòu)建分類器的實(shí)用方法
15.3.1手動(dòng)調(diào)整訓(xùn)練數(shù)據(jù)并提升性能
15.3.2通過二類分類器構(gòu)建多類分類器
15.3.3求解SVM和核機(jī)器的方案
15.4注釋
習(xí)題
第16章圖像分類
16.1構(gòu)建好的圖像特征
16.1.1示例應(yīng)用
16.1.2采用GIST特征進(jìn)行編碼布局
16.1.3采用視覺單詞總結(jié)圖像
16.1.4空間金字塔
16.1.5采用主分量進(jìn)行降維
16.1.6采用典型變量分析進(jìn)行降維
16.1.7示例應(yīng)用:檢測(cè)不雅圖片
16.1.8示例應(yīng)用:材料分類
16.1.9示例應(yīng)用:場(chǎng)景分類
16.2分類單一物體的圖像
16.2.1圖像分類策略
16.2.2圖像分類的評(píng)估系統(tǒng)
16.2.3固定類數(shù)據(jù)集
16.2.4大量類的數(shù)據(jù)集
16.2.5花、樹葉和鳥:某些特定的數(shù)據(jù)集
16.3在實(shí)踐中進(jìn)行圖像分類
16.3.1關(guān)于圖像特征的代碼
16.3.2圖像分類數(shù)據(jù)庫
16.3.3數(shù)據(jù)庫偏差
16.3.4采用眾包平臺(tái)進(jìn)行數(shù)據(jù)庫收集
16.4注釋
編程練習(xí)
第17章檢測(cè)圖像中的物體
17.1滑動(dòng)窗口法
17.1.1人臉檢測(cè)
17.1.2行人檢測(cè)
17.1.3邊界檢測(cè)
17.2檢測(cè)形變物體
17.3物體檢測(cè)算法的發(fā)展現(xiàn)狀
17.3.1數(shù)據(jù)庫和資源
17.4注釋
編程練習(xí)
第18章物體識(shí)別
18.1物體識(shí)別應(yīng)該做什么
18.1.1物體識(shí)別系統(tǒng)應(yīng)該做什么
18.1.2目前物體識(shí)別的策略
18.1.3什么是類別
18.1.4選擇:應(yīng)該怎么描述
18.2特征問題
18.2.1提升當(dāng)前圖像特征
18.2.2其他類型的圖像特征