1、　緒論
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 相關學科　2
1.1.4 應用領域　4
1.2 圖像基礎　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 本書內容提要　15
1.4.1 計算機視覺系統(tǒng)及模塊　15
1.4.2 如何學習使用本書　16
總結和復習　19 2、　圖像采集　21
2.1 采集裝置　21
2.2 采集模型　23
2.2.1 幾何成像模型　23
2.2.2 亮度成像模型　28
2.2.3 空間和幅度分辨率　31
2.3 采集方式　32
2.3.1 成像方式一覽　32
2.3.2 結構光法　33
2.4 攝像機標定　34
2.4.1 標定程序和步驟　34
2.4.2 兩級標定法　37
總結和復習　40 3、　基元檢測　42
3.1 邊緣檢測　42
3.1.1 檢測原理　42
3.1.2 一階導數(shù)算子　43
3.1.3 二階導數(shù)算子　47
3.1.4 邊界閉合　51
3.1.5 邊界細化　51
3.2 SUSAN算子　52
3.2.1 USAN原理　53
3.2.2 角點和邊緣檢測　53
3.3 哈里斯興趣點算子　56
3.4 哈夫變換　58
3.3.1 基本哈夫變換　58
3.3.2 廣義哈夫變換　61
3.3.3 完整廣義哈夫變換　63
3.5 橢圓定位和檢測　64
3.6 位置直方圖技術　66
總結和復習　68 4、　顯著性檢測　71
4.1 顯著性概述　71
4.2 基于對比度的檢測　74
4.2.1 對比度算法分類　74
4.2.2 基于對比度幅值　74
4.2.3 基于對比度分布　75
4.2.4 基于最小方向對比度　77
4.3 基于最穩(wěn)定區(qū)域的檢測　79
4.3.1 區(qū)域顯著性　79
4.3.2 最穩(wěn)定區(qū)域　80
4.3.3 顯著性計算　82
4.3.4 顯著性后處理　83
4.4 顯著目標區(qū)域提取及效果評價　84
4.4.1 顯著目標區(qū)域提取　84
4.4.2 顯著區(qū)域提取效果評價　85
總結和復習　89 5、　目標分割　91
5.1 輪廓搜索　91
5.1.1 圖搜索　91
5.1.2 動態(tài)規(guī)劃　93
5.2 主動輪廓模型　94
5.2.1 主動輪廓　94
5.2.2 能量函數(shù)　95
5.3 基本閾值技術　97
5.3.1 原理和分類　97
5.3.2 全局閾值的選取　98
5.3.3 局部閾值的選取　100
5.3.4 動態(tài)閾值的選取　103
5.4 特色閾值方法　103
5.4.1 多分辨率閾值　103
5.4.2 過渡區(qū)閾值　105
5.5 特征空間聚類　107
5.5.1 基本聚類方法　107
5.5.2 均移確定聚類中心　108
總結和復習　109 6、　目標表達和描述　111
6.1 基于邊界的表達　111
6.1.1 鏈碼　111
6.1.2 邊界段和凸包　113
6.1.3 邊界標記　114
6.2 基于區(qū)域的表達　117
6.2.1 四叉樹　117
6.2.2 金字塔　118
6.2.3 圍繞區(qū)域　119
6.2.4 骨架　119
6.3 基于邊界的描述　122
6.3.1 邊界長度和直徑　122
6.3.2 邊界形狀數(shù)　123
6.3.3 輪廓形狀矩陣　124
6.4 基于區(qū)域的描述　124
6.4.1 區(qū)域面積和密度　124
6.4.2 區(qū)域形狀數(shù)　125
6.4.3 區(qū)域不變矩　126
6.4.4 拓撲描述符　128
總結和復習　129 7、　紋理分析　131
7.1 統(tǒng)計描述方法　131
7.1.1 灰度共生矩陣　131
7.1.2 基于共生矩陣的描述　133
7.1.3 基于能量的描述　133
7.2 結構描述方法　135
7.2.1 結構描述原理　135
7.2.2 紋理鑲嵌　137
7.2.3 局部二值模式　138
7.3 頻譜描述方法　140
7.3.1 傅里葉頻譜描述　140
7.3.2 貝塞爾-傅里葉頻譜描述　141
7.3.3 蓋伯頻譜描述　142
7.4 紋理圖像分割　144
7.4.1 有監(jiān)督紋理分割　144
7.4.2 無監(jiān)督紋理分割　146
總結和復習　148 8、　形狀分析　150
8.1 形狀緊湊性描述符　150
8.2 形狀復雜性描述符　157
8.3 基于多邊形的形狀分析　159
8.3.1 多邊形計算　159
8.3.2 多邊形描述　160
8.4 基于曲率的形狀分析　162
8.4.1 輪廓曲率　162
8.4.2 曲面曲率　165
8.5 拓撲結構參數(shù)　166
總結和復習　167 9、　立體視覺　169
9.1 立體視覺模塊　169
9.2 雙目成像和視差　171
9.2.1 雙目橫向模式　171
9.2.2 雙目橫向會聚模式　173
9.2.3 雙目縱向模式　174
9.3 基于區(qū)域的立體匹配　175
9.3.1 模板匹配　175
9.3.2 雙目立體匹配　177
9.4 基于特征的立體匹配　183
9.4.1 點對點的方法　183
9.4.2 動態(tài)規(guī)劃匹配　185
總結和復習　186 10、三維景物恢復　189
10.1 由光移恢復表面朝向　189
10.1.1 表面反射特性　189
10.1.2 目標表面朝向　192
10.1.3 反射圖　193
10.1.4 光度立體學求解　195
10.2 從影調獲取形狀信息　196
10.2.1 影調與形狀　196
10.2.2 求解亮度方程　198
10.3 紋理變化與表面朝向　200
10.3.1 三種典型變化　200
10.3.2 確定線段的紋理消失點　203
10.4 根據(jù)焦距確定深度　206
總結和復習　207 11、運動分析　209
11.1 運動分類和表達　209
11.2 全局運動檢測　212
11.2.1 利用圖像差的檢測　213
11.2.2 基于模型的檢測　215
11.3 運動目標檢測和分割　217
11.3.1 背景建�！�217
11.3.2 運動目標跟蹤　220
11.3.3 運動目標分割　224
11.4 運動光流和表面取向　225
11.4.1 光流約束方程　225
11.4.2 光流計算　225
11.4.3 光流與表面取向　229
總結和復習　232 12、景物識別　234
12.1 統(tǒng)計模式分類　234
12.1.1 模式分類原理　234
12.1.2 最小距離分類器　235
12.1.3 最優(yōu)統(tǒng)計分類器　236
12.1.4 自適應自舉　239
12.2 感知機　240
12.2.1 感知機原理　240
12.2.2 線性可分類感知機　241
12.2.3 線性不可分類感知機　242
12.3 支持向量機　243
12.3.1 線性可分類支持向量機　243
12.3.2 線性不可分類支持向量機　245
12.4 結構模式識別　246
12.4.1 字符串結構識別　246
12.4.2 樹結構識別　249
總結和復習　251 13、廣義匹配　253
13.1 目標匹配　253
13.1.1 匹配的度量　254
13.1.2 字符串匹配　257
13.1.3 慣量等效橢圓匹配　258
13.1.4 形狀矩陣匹配　259
13.2 動態(tài)模式匹配　260
13.3 關系匹配　263
13.3.1 關系表達和距離　263
13.3.2 關系匹配模型　264
13.4 圖同構匹配　266
13.4.1 圖論基礎　266
13.4.2 圖同構和匹配　268
總結和復習　270 14、時空行為理解　272
14.1 時空技術　272
14.2 時空興趣點　273
14.3 動態(tài)軌跡學習和分析　275
14.3.1 自動場景建�！�276
14.3.2 路徑學習　277
14.3.3 自動活動分析　279
14.4 動作分類和識別　280
14.4.1 動作分類　280
14.4.2 動作識別　281
14.5 活動和行為建模　285
14.5.1 動作建�！�285
14.5.2 活動建模和識別　288
總結和復習　291 15、場景解釋　293
15.1 線條圖標記解釋　293
15.2 體育比賽視頻排序　296
15.2.1 基于內容檢索　296
15.2.2 視頻節(jié)目精彩度排序　298
15.3 計算機視覺系統(tǒng)模型　302
15.3.1 多層次串行結構　302
15.3.2 知識庫為中心的輻射結構　303
15.3.3 知識庫為根的樹結構　303
15.3.4 多模塊交叉配合結構　304
15.4 計算機視覺理論框架　305
15.4.1 馬爾視覺計算理論　305
15.4.2 對馬爾理論框架的改進　308
15.4.3 新理論框架的研究　309
總結和復習　311 部分練習題解答　313 參考文獻　318 索引　324