計算機視覺與模式識別

第一章引論
§1.1計算機視覺的研究內(nèi)容與困難
1.1.1計算機視覺研究的基本內(nèi)容與核心問題
1.1.2傳統(tǒng)ShapefromX方法的局限性與知識在視覺信息理解中的重要性
§1.2計算視覺的正則化理論
1.2.1初級視覺與不適定問題
1.2.2正則化理論的局限性
§1.3模式識別與神經(jīng)元網(wǎng)絡
1.3.1模式識別的基本概念
1.3.2神經(jīng)元網(wǎng)絡與神經(jīng)計算
1.3.3神經(jīng)元平行處理與正則化方法
§1.4神經(jīng)計算機在(視覺)高維數(shù)據(jù)處理中的應用
1.4.1自適應增益控制(AGC)
1.4.2AGC的硬件實現(xiàn)
1.4.3高層次處理的廣義AGC
1.4.4數(shù)據(jù)選擇引導
第二章圖像表征與攝像機標定
§2.1透視投影變換
2.1.1景物-圖像的幾何模型(3-D一2-D)
2.1.2齊次坐標表示
2.1.3透視投影中的直線與平面
2.1.4任意坐標系中物體點的表示
2.1.52-D圖像平面之間的變換
§2.2攝像機的標定
2.2.1應用齊次坐標的攝像機標定
2.2.2考慮透鏡徑向畸變的攝像機標定
2.2.3利用徑向排列約束(RAC)計算攝像機外部和內(nèi)部參數(shù)
2.2.4機器人手-眼(eye-on-hand)系統(tǒng)中攝像機相對機器人手臂空間位置的標定
§2.3攝像機的運動控制模型與算法
2.3.1攝像機運動對圖像平面點位置變化的影響.
2.3.2攝像機運動的控制算法
§2.4圖像的隨機線性模型
2.4.1圖像的隨機場描述
2.4.2圖像的線性模型
2.4.3圖像的空變模型
2.4.4統(tǒng)計過程
2.4.5基于線性模型和高斯型白噪聲的PDF的形式.
第三章邊緣檢測
§S.1邊緣檢測的基本概念
§3.2基于經(jīng)典微分算子的邊緣檢測.
3.2.1基于一階微分的邊緣檢測算子.
3.2.2二階微分--拉普拉斯算子
§3.3LOG濾波器與馬爾-希爾德累思(Marr-Hildreth)邊緣檢測算子
3.3.1LOG濾波器
3.3.2LOG濾波器的計算實現(xiàn)
§3.4多灰度圖像的邊緣聚焦法
3.4.1"邊緣聚焦"的基本思想
3.4.2"尺度空間"中的輪廓性質(zhì)(輪廓變形與變形速度)
3.4.3邊緣聚焦算法
§3.5坎尼(Canny)邊緣檢測算子
3.5.1坎尼算子的基本原理
3.5.2坎尼算子的計算實現(xiàn)
§3.6基于梯度信息的自適應平滑濾波
3.6.1自適應平滑的基本原理
3.6.2自適應平滑算法
3.6.3自適應平滑特征增強的邊緣提取
3.6.4高階不連續(xù)性的保持
第四章圖像分割模型與算法
§4.1圖像分割的一般模型
4.1.1圖像分割的一般模型
4.1.2圖像分割的一般算法
§4.2灰度閾值分割法
4.2.1灰度閾值分割的基本概念
4.2.2簡單閾值運算
4.2.3最佳閾值選擇
§4.3區(qū)域生長
4.3.1區(qū)域生長的基本概念
4.3.2用平均灰度分割
4.3.3基于相似統(tǒng)計特性的分割
§4.4紋理結(jié)構(gòu)分析
4.4.1用空間自相關函數(shù)表示紋理結(jié)構(gòu)
4.4.2傅里葉功率譜法
4.4.3聯(lián)合概率矩陣(灰度共生矩陣)法
4.4.4紋理結(jié)構(gòu)的句法分析方法
4.4.5子圖像大小的選擇
§4.5基于二維隨機線性模型的圖像區(qū)域分類與分割
4.5.1圖像分類
4.5.2圖像分割
§4.6用于圖像分割的并行自適應層次化網(wǎng)絡模型
4.6.1并行自適應層次化圖像分割網(wǎng)絡模型
4.6.2并行局部特征矢量計算
4.6.3自組織均一化特征矢量聚類
4.6.4基于全局分布特性的聚類決策
§4.?應用加博(Gabor)濾波器的紋理分割方法
4.7.1加博函數(shù)
4.7.2一維加博濾波器參數(shù)與一維紋理結(jié)構(gòu)的關系
4.7.3二維加博濾波器與紋理結(jié)構(gòu)的關系
4.7.4用于紋理分割的自適應加博濾波器的設計與實踐
§4.8基于廣義熵映射的圖像分割方法
4.8.1廣義熵映射(GEM)模型
4.8.2GEM在圖像分割中的應用
第五章形狀分析與描述
§5.1區(qū)域描述
5.1.1傅里葉描繪子
5.1.2基本幾何描繪子
5.1.3矩描繪子
5.1.4拓撲描繪子
5.1.5相似性描述
5.1.6區(qū)域投影描述
5.1.7基于傅里葉變換與梅林(Mellin)變換的幾何形狀RST不變性描述
§5.2圖像描述的四叉樹結(jié)構(gòu)方法
5.2.1四叉樹基本概念
5.2.2四叉樹的建立
§5.3基于數(shù)學形態(tài)學的形狀分析
5.3.1圖像形態(tài)學的閔可夫斯基(Minkowski)算子
5.3.2閔可夫斯基算子在圖像數(shù)據(jù)處理中的基本應用
5.3.3復合結(jié)構(gòu)元素的形態(tài)學算子的實現(xiàn)
5.3.4圖像的骨架化
§5.4區(qū)域邊界的霍夫變換與廣義霍夫變換
5.4.1霍夫變換的基本思想
5.4.2線段檢測
5.4.3圓檢測
5.4.4橢圓檢測
5.4.5廣義霍夫變換與任意形狀檢測
§5.5基于邊界斜率的二維目標形狀分析與描述
5.5.1二維形狀分析與描述問題
5.5.2二維形狀邊界曲線提取與曲線基元分割
5.5.3基元參數(shù)估計
5.5.4實驗結(jié)果與討論
第六章計算機視覺的三維感知
§6.1被動立體測定技術
6.1.1光度體視測定法
6.1.2由明暗恢復形狀
6.1.3由紋理和輪廓恢復形狀
6.1.4被動立體測距技術
6.1.5根據(jù)單幅灰度圖像的測距
§6.2主動立體測定技術
6.2.1結(jié)構(gòu)光(光條法與主動立體視覺)
6.2.2莫爾陰影
6.2.3飛行時間法(TOF)
6.2.4三角測距法
6.2.5散焦測距法(RangefromDefocusing)
第七章運動視覺的建模.檢測與估計
§7.1圖像運動特征提取的基本方法
7.1.1差分圖像
7.1.2三元(Ternary)運動描述
7.1.3累積差分圖像
7.1.4圖像變化檢測
7.1.5運動邊緣檢測
7.1.6時空運動的頻域分析
§7.2由局部光流恢復結(jié)構(gòu)與運動參數(shù)估計
7.2.1光流的基本特性
7.2.2光流模型的基本方程
7.2.3基于局部光流的運動估計
§7.3由全局光流場數(shù)據(jù)估計運動參數(shù)
7.3.1已有運動參數(shù)估計方法的回顧
7.3.2含有平移與旋轉(zhuǎn)的光流約束方程
7.3.3光流場環(huán)流的計算
7.3.4FOE搜索算法
7.3.5環(huán)流算法與FOE算法的比較
§7.4三維運動與結(jié)構(gòu)估計
7.4.1剛性物體假設
7.4.2正交投影的運動分析
7.4.3透視投影的運動分析(單目圖像)
7.4.4已知噪聲分布的最優(yōu)運動估計
7.4.5未知噪聲分布的最優(yōu)運動估計
7.4.6最優(yōu)運動與結(jié)構(gòu)估計的計算方法
§7.5由運動與立體觀測恢復3-D結(jié)構(gòu)
7.5.1運動與立體的組成模型
7.5.2剛體環(huán)境中應用多攝像機的其他方法
§7.6基于生物視覺運動感知原理的多速度運動檢測
7.6.1生物視覺運動感知的基本特征--方向選擇性.速率選擇性和側(cè)抑制機制
7.6.2具有速度選擇性的運動檢測子
7.6.3MIVD的響應特性
7.6.4一維多速度運動檢測神經(jīng)網(wǎng)絡
7.6.5并行分層二維多速度運動檢測模型
第八章基于CAD模型的三維機器視覺
§8.1特征提取
8.1.1鏈碼邊界跟蹤
8.1.2直線特征提取
8.1.3用離散點擬合直線方程
§8.2基于線段快速匹配的立體視覺
8.2.l成像幾何
8.2.2基于線段特征的局部匹配
8.2.3利用線段結(jié)構(gòu)關系的全局約束--最小深度誤差準則
8.2.4深度恢復
§8.3基于CAD幾何模型的三維物體識別
8.3.1CAD建模的基本概念
8.3.2幾何模型描述
8.3.3面特征提取
8.3.4點-線-面三級結(jié)構(gòu)的圖像數(shù)據(jù)快速匹配
8.3.5空間變換矩陣的快速估計
8.3.6假設檢驗與尺.了矩陣的精確求解
第九章神經(jīng)網(wǎng)絡模型
§9.1生物神經(jīng)元
§9.2人工神經(jīng)元的基本模型
9.2.1基本的神經(jīng)元模型--麥卡勞奇-皮茨(MeCulloch-Pitts)模型
9.2.2神經(jīng)元的福島(Fukushima)模型
9.2.3自適應線性神經(jīng)元(Adaline)…
9.2.4單層感知機
9.2.5霍普菲爾德(Hopfield)模型
9.2.6格羅斯伯格(Grossberg)模型
9.2.7廣義的神經(jīng)元模型
9.2.8人工神經(jīng)元的離散時間模型
§9.3人工神經(jīng)網(wǎng)絡模型
9.3.1人工神經(jīng)網(wǎng)絡模型的基本特征和分類
9.3.2前饋多層感知機
9.3.3霍普菲爾德人工神經(jīng)網(wǎng)絡及其修正形式
9.3.4離散時間霍普菲爾德模型
§9.4混沌狀態(tài)下的神經(jīng)網(wǎng)絡模型的控制--一種信息融合的新方法
9.4.1網(wǎng)絡模型及其演化方程
9.4.2網(wǎng)絡的控制
9.4.3用于信息融合的雙模塊模型
9.4.4討論
第十章前饋網(wǎng)絡的學習算法與網(wǎng)絡的推廣能力
§10.1廣義學習規(guī)則與B-P學習算法
10.1.1單層感知機的學習
10.1.2多層感知機的標準B-P學習算法
10.1.3帶動量更新的B-P學習算法
10.1.4成批學習算法
10.1.5在線和成批處理的比較
10.1.6在隱含層內(nèi)具有可變數(shù)目神經(jīng)元的B-P學習算法
§10.2快速B-P學習算法
10.2.1具有自適應激活函數(shù)斜率的B-P學習算法
10.2.2搜索-收斂策略
10.2.3平均方法
lo.2.4學習速率和／或動量率的整體自適應
10.2.5學習率的局部自適應
10.2.6快速傳播算法(Quickprop)
§10.3單個神經(jīng)元的廣義學習算法
10.3.1基本概念
10.3.2廣義LMS學習規(guī)則
10.3.3勢學習規(guī)則
10.3.4相關學習規(guī)則
10.3.5赫布學習規(guī)則
10.3.6奧賈(Oja)學習規(guī)則
10.3.7標準感知機學習規(guī)則
10.3.8廣義的感知機學習規(guī)則
§10.4前饋網(wǎng)絡的隱結(jié)點個數(shù)與網(wǎng)絡推廣能力的關系
10.4.1網(wǎng)絡結(jié)構(gòu)與配置
10.4.2網(wǎng)絡的容量與任務的復雜度
10.4.3網(wǎng)絡的學習和推廣
10.4.4配置容量與學習概率的計算
10.4.5網(wǎng)絡的推廣能力與網(wǎng)絡大小的關系
第十一章模式識別的貝葉斯決策方法與前饋網(wǎng)絡的特征提取準則
§11.1貝葉斯決策理論
11.1.1貝葉斯規(guī)則
11.1.2貝葉斯決策與條件風險
11.1.3二類問題的最小風險的貝葉斯檢驗
11.1.4分類器與決策函數(shù)
11.1.5誤識概率
§11.2正態(tài)密度的決策函數(shù)
11.2.1正態(tài)密度
11.2.2決策函數(shù)

§11.3前饋網(wǎng)絡的特征提取準則與貝葉斯決策
11.3.1最小均方模式分析
11.3.2前饋網(wǎng)絡的非線性分析
11,3.3極小化誤差函數(shù)的物理意義與廣義的網(wǎng)絡特征提取準則
11.3.4求和規(guī)則
11.3.5模式加權(quán)與編碼技術
第十二章自組織-時滯混合神經(jīng)網(wǎng)絡模型及其應用
§12.1自組織-時滯混合神經(jīng)網(wǎng)絡模型的基本結(jié)構(gòu)
12.1.1網(wǎng)絡的輸入--角特征矢量
12.1.2自適應-時滯單元混合網(wǎng)絡的結(jié)構(gòu)
§12.2網(wǎng)絡的學習算法與識別過程
12.2.1網(wǎng)絡的學習算法
12.2.2網(wǎng)絡的識別過程
12.2.3實驗結(jié)果
12.2.4討論
第十三章基于小波變換的初級視覺信息處理
§13.1人的視覺信息處理及其初級視覺過程的多頻率通道模型
13.1.1人的視覺感知的基本原理
13.1.2初級視覺過程的多頻率通道
§13.2小波變換及其快速算法
13.2.1小波分析
13.2.2時間-頻率窗
13.2.3二進小波及其快速算法
§13.3多分辨率分析
13.3.1多分辨率逼近
13.3.2多分辨率變換的實現(xiàn)
13.3.3正交小波表示
13.3.4正交小波表示的實現(xiàn)
13.3.5由正交小波表示對信號進行重建
§13.4圖像的正交小波表示
13.4.1圖像的正交小波分解
13.4.2應用小波的圖像重建
13.4.3小波分解的一種快速算法
§13.5基于巴布(Bubble)小波的多尺度邊緣提取
13.5.1側(cè)抑制現(xiàn)象與一維巴布函數(shù)的時頻特性
13.5.2二維巴布小波函數(shù)的構(gòu)造及快速算法
13.5.3多尺度邊緣提取實例
§13.6應用香農(nóng)(Shannon)小波包分解的紋理主頻檢測
13.6.1應用小波包對紋理主頻的檢測
13.6.2香農(nóng)小波包
13.6.3香農(nóng)小波包的快速分解算法
13.6.4應用香農(nóng)小波包分解的紋理主頻檢測
§13.7基于小波的初級視覺模型
13.7.1閉環(huán)初級視覺系統(tǒng)的基本概念
13.7.2生物視覺系統(tǒng)
13.7.3基于小波的感知細胞模型
§13.8閉環(huán)視覺系統(tǒng)與選擇性注意力機制
13.8.1實驗構(gòu)成
13.8.2討論
參考文獻