圖像目標的表示與識別

前言
第1章緒論
1.1引言
1.2圖像目標識別的意義
1.3圖像目標識別的框架與思路
1.3.1圖像目標識別問題的分類
1.3.2圖像目標識別的基本框架
1.3.3圖像目標識別的兩種思路
1.4圖像目標識別的數(shù)據(jù)集
1.5圖像目標識別的開發(fā)環(huán)境
1.6主要難點與發(fā)展趨勢
1.7研究內(nèi)容與結(jié)構(gòu)安排
1.7.1本書的研究內(nèi)容
1.7.2本書的結(jié)構(gòu)安排
第2章圖像目標的整體特征提取
2.1引言
2.2圖像目標分割
2.2.1圖像目標分割概述
2.2.2圖像目標分割現(xiàn)狀
2.2.3圖像目標分割技術
2.3目標的表示與描述
2.3.1光譜特征
2.3.2紋理特征
2.3.3形狀特征
2.4特征空間的優(yōu)化
2.4.1特征選擇
2.4.2特征變換
2.5本章小結(jié)
第3章基于整體特征的目標識別
3.1引言
3.2模式識別方法概述
3.3目標匹配的研究現(xiàn)狀
3.3.1兩種目標匹配方式
3.3.2匹配的相似度度量
3.4目標分類的研究現(xiàn)狀
3.4.1分類器設計技術
3.4.2性能評估方法
3.5典型的圖像目標分類器
3.5.1基于聚類分析的分類器
3.5.2基于樸素貝葉斯的分類器
3.5.3基于BP神經(jīng)網(wǎng)絡的分類器
3.5.4基于支持向量機的分類器
3.6本章小結(jié)
第4章圖像目標的局部特征提取
4.1引言
4.2特征區(qū)域的稀疏選取算法
4.2.1特征區(qū)域檢測的研究現(xiàn)狀
4.2.2高斯差分檢測算子
4.2.3邊緣點檢測算子
4.3局部特征的定量描述
4.3.1特征區(qū)域描述的研究現(xiàn)狀
4.3.2基于梯度分布的描述子
4.3.3線矩特征描述子
4.4角點的檢測算法
4.4.1直線投影檢測算法
4.4.2SUSAN算法的自適應閾值改進
4.5實驗結(jié)果與分析
4.6本章小結(jié)
第5章基于局部特征的目標匹配
5.1引言
5.2結(jié)合NNDR與霍夫變換的匹配方法
5.2.1基于NNDR的匹配策略
5.2.2鄰近特征點的搜索算法
5.2.3基于霍夫變換的目標檢測
5.3基于局部特征和多分辨率技術的圖像拼接
5.3.1圖像拼接技術的研究現(xiàn)狀
5.3.2多分辨率下的圖像配準
5.3.3漸入漸出的圖像融合算法
5.4基于局部特征和原型匹配的圖像檢索
5.4.1CBIR的研究現(xiàn)狀和發(fā)展趨勢
5.4.2基于模板匹配的檢索方法
5.4.3基于原型匹配的反饋技術
5.5實驗結(jié)果與分析
5.6本章小結(jié)
第6章基于局部特征的目標分類
6.1引言
6.2目標的向量空間模型表示
6.3構(gòu)造視覺單詞庫
6.3.1視覺單詞的生成方法
6.3.2基于RNN的層次聚類算法
6.4基于信息論的特征選擇方法
6.4.1信息論的相關概念
6.4.2基于信息增益法的特征選擇
6.4.3基于CHI統(tǒng)計量的特征選擇
6.4.4基于互信息法的特征選擇
6.5視覺單詞的權(quán)重計算
6.6實驗結(jié)果與分析
6.7本章小結(jié)
第7章基于角點特征與視面模型的目標識別
7.1引言
7.2三維物體的視面模型表示
7.3基于角點特征的目標匹配
7.3.1利用基準角點進行目標匹配
7.3.2基于主分量與Hausdorff距離的匹配算法
7.4基于角點標記圖的目標分類
7.4.1角點特征的優(yōu)化技術
7.4.2角點標記圖的生成方法
7.5實驗結(jié)果與分析
7.6本章小結(jié)
附錄A圖像處理的一些相關理論
A.1數(shù)字圖像的基本概念
A.2數(shù)字圖像的信息內(nèi)容
A.3圖像處理的技術門類
附錄B模式組合的一些基本概念
B.1圖
B.2樹
B.3符號串
附錄C概率統(tǒng)計的一些預備知識
C.1概率
C.2最大似然估計
C.3條件概率
C.4貝葉斯公式
C.5隨機變量
C.6二項式分布
C.7聯(lián)合概率分布和條件概率分布
C.8貝葉斯決策理論
C.9期望和方差
附錄D信息檢索的一些基礎模型
D.1布爾模型
D.2向量空間模型
D.3概率模型
D.4語言模型
附錄E名詞術語解釋
參考文獻