《计算机视觉基本理论和方法》求取 ⇩

目次1

第一章 计算机视觉的三十年1

1.1 引言1

1.2 计算机视觉的基本概念1

1.2.1 图像增强和恢复2

1.2.2 图像数据编码和传输2

1.2.3 图像分析和识别3

1.2.4 图像代数12

1.3 视觉计算理论和三维视觉16

1.3.1 从立体视觉求深度18

1.3.2 从运动求结构19

1.3.3 从视觉流（optical flow）求结构21

1.3.4 从阴影求形状23

1.3.5 从纹理和表面轮廓求形状25

1.3.6 由线条图求形状27

1.3.7 由遮挡轮廓求形状28

1.3.8 由空间编码求形状29

1.3.9 结束语30

1.4 视觉信息系统30

1.4.1 认知学基础31

1.4.2 基于模型的三维物体识别32

1.4.3 空间信息的数据模式33

1.4.4 空间信息系统的物理数据结构35

1.4.5 使用框架系统的知识化界面35

1.4.6 用于建立区域规划辅助决策系统的知识表达语言IDL36

1.4.7 空间信息系统的可视查询语言36

1.5 计算机图形学38

1.5.1 三维物体模型38

1.5.2 真实感景物的生成39

1.5.3 光源模型和光照模型39

1.5.4 光线跟踪算法产生三维真实感景物40

1.5.5 分维几何42

1.6 用于计算机视觉的并行体系结构44

1.6.1 视觉计算机的结构要求45

1.6.2 并行结构分类47

第二章 图像数据的统计模型52

2.1 晶格系统的空间作用与统计分析52

2.2 用条件概率方法表达空间过程53

2.3 马尔科夫场和Hammersley-clifford定理54

2.4 与指数类型相关的一些空间组织56

2.4.1 自模型56

2.4.2 一些特殊的自模型57

2.5 一些二维的空间组织及它们的应用59

2.5.1 有限晶格组织59

2.5.2 特殊的有限晶格组织60

2.5.3 非晶格系统61

2.5.4 联立自回归组织61

2.5.5 在无限晶格上的自正态过程62

2.6 晶格系统的统计分析63

2.6.1 矩形晶格上的编码方法63

2.6.3 自正态系统的最大似然估计64

2.6.2 矩形晶格上的单向近似64

2.7 随机松弛、Gibbs分布与贝叶斯最大后验图像恢复66

2.7.1 退化图像模型67

2.7.2 图和邻域68

2.7.3 马尔可夫随机场和Gibbs分布68

2.7.4 GIBBS抽样72

2.7.5 图像恢复的例子73

2.8 结束语74

第三章 视觉中的近似理论和正则化理论75

3.1 引言75

3.2 学习和近似网络76

3.2.1 最佳近似特性77

3.2.2 网络与近似方法78

3.3 超表面重建学习79

3.3.1 近似、正则化和归一化样条79

3.3.2 用于学习的正则化技术79

3.3.3 学习、贝叶斯理论和最小长度原理80

3.3.4 由超表面重建到网络80

3.4 正则化理论与正则化网络80

3.4.1 正则化理论81

3.4.2 正则化网络84

3.4.3 网络与最佳近似85

3.5.1 移动中心：对正则化解的近似87

3.5 正则化方法的推广87

3.5.2 不同类型的根基函数与多尺度88

3.5.3 加权范数与正则化89

3.5.4 用不可靠样本学习89

3.5.5 怎样学习中心的位置和范数权重90

3.5.6 一个实际算法92

3.6 高斯基函数与科学—假说神经生物92

3.6.1 可分解根基函数92

3.6.2 计算网络和生理学预言93

3.8 结论94

3.7.3 理解和发动机任务学习94

3.8.1 正则化网络是怎样真正工作的94

3.7.1 由其透视图识别三维物体94

3.7 一些应用94

3.7.2 学习动力学系统94

3.8.2 与其它方法的联系95

3.8.3 网络与学习：维数问题96

3.8.4 总结96

3.9 计算视觉与正则化理论96

附录A 定义与基本原理101

附录B 高斯网络与Stone定理101

附录C 正则化网络可任意地近似平滑函数103

附录D 根基函数：综述104

4.1.1 图像构成模型107

第四章 三维景物模型107

4.1 景物结构模型107

4.1.2 特殊模型108

4.1.3 部分和过程模型109

4.2 自然形态的表达110

4.2.1 生物形态112

4.2.2 复杂的非生物形态112

4.2.3 小结114

4.3 初级感知：识别模型115

4.3.2 把视觉看作优化问题116

4.3.1 识别超二次曲面模，型基元116

4.3.3 学习物体模型119

4.3.4 识别分形表面119

4.3.5 分形尺寸的度量122

4.3.6 超定束测试该模型的可用性123

4.4 小结123

第五章 利用单个二维灰度图像进行三维物体的识别125

5.1 引言125

5.2 深度重建在人类视觉中的地位126

5.3 空间对应的解决127

5.3.1 牛顿方法的运用128

5.3.2 利用线—线对应关系131

5.3.3 在匹配中使用参数确定132

5.3.4 扩展匹配的初始集133

5.4 感知组织133

5.4.1 分组操作的导出134

5.4.2 基于邻近的分组135

5.4.3 基于平行的分组136

5.4.4 基于共线的分组136

5.4.6 连结点到直线段的分割137

5.4.5 分组操作的实现137

5.5 SCERP视觉系统138

5.5.1 模型匹配140

5.6 进一步的研究方向141

5.7 结论143

第六章 使用变换网络的形状理论144

6.1 引言144

6.1.1 物体为中心的坐标系145

6.1.2 从视觉输入计算以物体为中心的坐标系146

6.1.3 用任务坐标系计算目标变换147

6.2.1 值单元原理149

6.1.4 理论基础和概述149

6.2 背景知识参数网络分层体系149

6.2.2 用值单元计算150

6.2.3 连续值的离散过程152

6.2.4 内插和最小化153

6.2.5 内插值和Hough变换153

6.2.6 实际设计154

6.2.7 多面体限制155

6.2.8 建立二维线段156

6.2.9 建立三维线框模型157

6.2.10 三维视网膜数据与原型的匹配159

6.3 网络和高层控制159

6.4 一个初步的试验160

6.5 结论161

第七章 计算机视觉的神经网络方法164

7.1 表面知觉的模型问题164

7.1.1 表面理解理论解释的必要条件164

7.1.2 定向反差检测器166

7.1.3 OC滤波器和短范围竞争阶段166

7.1.4 大范围合作：边界完成167

7.1.5 利用合作竞争反馈网络的边界选择：CC环168

7.1.6 从模拟反差到数字结构170

7.1.7 利用可视反差的识别171

7.2 神经识别机（Neocognitron）：一个能进行视觉模式识别的分层神经网络172

7.2.1 网络结构173

7.2.2 网络的自组织175

7.2.3 手写体数字的识别178

7.2.4 讨论184

7.3 神经网络的自组织图185

7.4 总结190