《计算机视觉与模式识别》求取 ⇩

第一章 引论1

1.1 计算机视觉的研究内容与困难1

1.1.1 计算机视觉研究的基本内容与核心问题1

前言页1

1.1.2 传统Shape from X方法的局限性与知识在视觉信息理解中的重要性3

1.2 计算视觉的正则化理论5

1.2.1 初级视觉与不适定问题6

1.2.2 正则化理论的局限性7

1.3.1 模式识别的基本概念8

1.3 模式识别与神经元网络8

1.3.2 神经元网络与神经计算9

1.3.3 神经元平行处理与正则化方法11

1.4 神经计算机在(视觉)高维数据处理中的应用11

1.4.1 自适应增益控制(AGC)11

1.4.2 AGC的硬件实现12

1.4.3 高层次处理的广义AGC13

1.4.4 数据选择引导13

2.1.1 景物-图像的几何模型(3-D-2-D)14

第二章 图像表征与摄像机标定14

2.1 透视投影变换14

2.1.2 齐次坐标表示16

2.1.3 透视投影中的直线与平面18

2.1.4 任意坐标系中物体点的表示18

2.1.5 2-D图像平面之间的变换20

2.2 摄像机的标定22

2.2.1 应用齐次坐标的摄像机标定23

2.2.2 考虑透镜径向畸变的摄像机标定24

2.2.3 利用径向排列约束(RAC)计算摄像机外部和内部参数27

2.2.4 机器人手-眼(eye-on-hand)系统中摄像机相对机器人手臂空间位置的标定31

2.3 摄像机的运动控制模型与算法34

2.3.1 摄像机运动对图像平面点位置变化的影响35

2.3.2 摄像机运动的控制算法38

2.4 图像的随机线性模型40

2.4.1 图像的随机场描述41

2.4.2 图像的线性模型41

2.4.4 统计过程44

2.4.3 图像的空变模型44

2.4.5 基于线性模型和高斯型白噪声的PDF的形式45

第三章 边缘检测49

3.1 边缘检测的基本概念49

3.2 基于经典微分算子的边缘检测52

3.2.1 基于一阶微分的边缘检测算子52

3.2.2 二阶微分--拉普拉斯算子54

3.3.1 LOG滤波器56

3.3 LOG滤波器与马尔-希尔德累思(Marr-Hildreth)边缘检测算子56

3.3.2 LOG滤波器的计算实现59

3.4 多灰度图像的边缘聚焦法61

3.4.1 “边缘聚焦”的基本思想62

3.4.2 “尺度空间”中的轮廓性质(轮廓变形与变形速度)63

3.4.3 边缘聚焦算法65

3.5 坎尼(Canny)边缘检测算子66

3.5.1 坎尼算子的基本原理66

3.5.2 坎尼算子的计算实现67

3.6.1 自适应平滑的基本原理69

3.6 基于梯度信息的自适应平滑滤波69

3.6.2 自适应平滑算法71

3.6.3 自适应平滑特征增强的边缘提取73

3.6.4 高阶不连续性的保持78

第四章 图像分割模型与算法80

4.1 图像分割的一般模型80

4.1.1 图像分割的一般模型80

4.1.2 图像分割的一般算法81

4.2.2 简单阈值运算82

4.2.1 灰度阈值分割的基本概念82

4.2 灰度阈值分割法82

4.2.3 最佳阈值选择84

4.3 区域生长86

4.3.1 区域生长的基本概念86

4.3.2 用平均灰度分割87

4.3.3 基于相似统计特性的分割89

4.4 纹理结构分析89

4.4.1 用空间自相关函数表示纹理结构90

4.4.2 傅里叶功率谱法90

4.4.3 联合概率矩阵(灰度共生矩阵)法92

4.4.4 纹理结构的句法分析方法94

4.4.5 子图像大小的选择95

4.5 基于二维随机线性模型的图像区域分类与分割96

4.5.1 图像分类96

4.5.2 图像分割97

4.6 用于图像分割的并行自适应层次化网络模型99

4.6.1 并行自适应层次化图像分割网络模型99

4.6.2 并行局部特征矢量计算100

4.6.3 自组织均一化特征矢量聚类101

4.6.4 基于全局分布特性的聚类决策102

4.7 应用加博(Gabor)滤波器的纹理分割方法104

4.7.1 加博函数105

4.7.2 一维加博滤波器参数与一维纹理结构的关系106

4.7.3 二维加博滤波器与纹理结构的关系110

4.7.4 用于纹理分割的自适应加博滤波器的设计与实践114

4.8 基于广义熵映射的图像分割方法124

4.8.1 广义熵映射(GEM)模型124

4.8.2 GEM在图像分割中的应用129

第五章 形状分析与描述130

5.1 区域描述130

5.1.1 傅里叶描绘子130

5.1.2 基本几何描绘子131

5.1.3 矩描绘子132

5.1.4 拓扑描绘子134

5.1.5 相似性描述136

5.1.6 区域投影描述137

5.1.7 基于傅里叶变换与梅林(Mellin)变换的几何形状RST不变性描述139

5.2 图像描述的四叉树结构方法140

5.2.1 四叉树基本概念141

5.2.2 四叉树的建立142

5.3 基于数字形态学的形状分析143

5.3.1 图像形态学的闵可夫斯基(Minkowski)算子143

5.3.2 闵可夫斯基算子在图像数据处理中的基本应用148

5.3.3 复合结构元素的形态学算子的实现151

5.3.4 图像的骨架比151

5.4.1 霍夫变换的基本思想154

5.4 区域边界的霍夫变换与广义霍夫变换154

5.4.2 线段检测155

5.4.3 圆检测156

5.4.4 椭圆检测157

5.4.5 广义霍夫变换与任意形状检测159

5.5 基于边界斜率的二维目标形状分析与描述160

5.5.1 二维形状分析与描述问题160

5.5.2 二维形状边界曲线提取与曲线基元分割161

5.5.3 基元参数估计163

5.5.4 实验结果与讨论165

第六章 计算机视觉的三维感知169

6.1 被动立体测定技术169

6.1.1 光度体视测定法169

6.1.2 由明暗恢复形状173

6.1.3 由纹理和轮廓恢复形状176

6.1.4 被动立体测距技术179

6.1.5 根据单幅灰度图像的测距182

6.2.1 结构光(光条法与主动立体视觉)183

6.2 主动立体测定技术183

6.2.2 莫尔阴影184

6.2.3 飞行时间法(TOF)185

6.2.4 三角测距法187

6.2.5 散焦测距法(Range from Defocusing)190

第七章 运动视觉的建模、检测与估计192

7.1 图像运动特征提取的基本方法193

7.1.1 差分图像193

7.1.4 图像变化检测194

7.1.5 运动边缘检测194

7.1.3 累积差分图像194

7.1.2 三元(Ternary)运动描述194

7.1.6 时空运动的频域分析195

7.2 由局部光流恢复结构与运动参数估计196

7.2.1 光流的基本特性196

7.2.2 光流模型的基本方程200

7.2.3 基于局部光流的运动估计203

7.3 由全局光流场数据估计运动参数207

7.3.1 已有运动参数估计方法的回顾207

7.3.2 含有平移与旋转的光流约束方程209

7.3.3 光流场环流的计算210

7.3.4 FOE搜索算法212

7.3.5 环流算法与FOE算法的比较217

7.4 三维运动与结构估计218

7.4.1 刚性物体假设219

7.4.2 正交投影的运动分析219

7.4.3 透视投影的运动分析(单目图像)221

7.4.4 已知噪声分布的最优运动估计223

7.4.5 未知噪声分布的最优运动估计224

7.4.6 最优运动与结构估计的计算方法226

7.5 由运动与立体观测恢复3-D结构227

7.5.1 运动与立体的组成模型227

7.5.2 刚体环境中应用多摄像机的其他方法229

7.6 基于生物视觉运动感知原理的多速度运动检测230

7.6.1 生物视觉运动感知的基本特征--方向选择性、速率选择性和侧抑制机制230

7.6.2 具有速度选择性的运动检测子232

7.6.3 MIVD的响应特性234

7.6.4 一维多速度运动检测神经网络240

7.6.5 并行分层二维多速度运动检测模型243

第八章 基于CAD模型的三维机器视觉248

8.1 特征提取248

8.1.1 链码边界跟踪249

8.1.2 直线特征提取249

8.1.3 用离散点拟合直线方程250

8.2 基于线段快速匹配的立体视觉253

8.2.1 成像几何253

8.2.2 基于线段特征的局部匹配256

8.2.3 利用线段结构关系的全局约束--最小深度误差准则259

8.2.4 深度恢复262

8.3 基于CAD几何模型的三维物体识别264

8.3.1 CAD建模的基本概念264

8.3.2 几何模型描述266

8.3.3 面特征提取269

8.3.4 点-线-面三级结构的图像数据快速匹配271

8.3.5 空间变换矩阵的快速估计273

8.3.6 假设检验与R、T矩阵的精确求解274

第九章 神经网络模型277

9.1 生物神经元277

9.2 人工神经元的基本模型279

9.2.1 基本的神经元模型--麦卡劳奇-皮茨(McCulloch-Pitts)模型279

9.2.2 神经元的福岛(Fukushima)模型281

9.2.3 自适应线性神经元(Adaline)282

9.2.4 单层感知机286

9.2.5 霍普菲尔德(Hopfield)模型289

9.2.6 格罗斯伯格(Grossberg)模型291

9.2.7 广义的神经元模型292

9.2.8 人工神经元的离散时间模型292

9.3 人工神经网络模型294

9.3.1 人工神经网络模型的基本特征和分类294

9.3.2 前馈多层感知机296

9.3.3 霍普菲尔德人工神经网络及其修正形式298

9.3.4 离散时间霍普菲尔德模型304

9.4 混沌状态下的神经网络模型的控制--一种信息融合的新方法308

9.4.1 网络模型及其演化方程309

9.4.2 网络的控制310

9.4.3 用于信息融合的双模块模型313

9.4.4 讨论314

第十章 前馈网络的学习算法与网络的推广能力315

10.1 广义学习规则与B-P学习算法315

10.1.1 单层感知机的学习315

10.1.2 多层感知机的标准B-P学习算法318

10.1.4 成批学习算法323

10.1.3 带动量更新的B-P学习算法323

10.1.5 在线和成批处理的比较324

10.1.6 在隐含层内具有可变数目神经元的B-P学习算法325

10.2 快速B-P学习算法326

10.2.1 具有自适应激活函数斜率的B-P学习算法326

10.2.2 搜索-收敛策略326

10.2.3 平均方法327

10.2.4 学习速率和/或动量率的整体自适应327

10.2.5 学习率的局部自适应329

10.3 单个神经元的广义学习算法330

10.3.1 基本概念330

10.2.6 快速传播算法(Quickprop)330

10.3.2 广义LMS学习规则331

10.3.3 势学习规则334

10.3.4 相关学习规则334

10.3.5 赫布学习规则334

10.3.6 奥贾(Oja)学习规则335

10.3.7 标准感知机学习规则335

10.3.8 广义的感知机学习规则335

10.4.1 网络结构与配置336

10.4 前馈网络的隐结点个数与网络推广能力的关系336

10.4.2 网络的容量与任务的复杂度337

10.4.3 网络的学习和推广338

10.4.4 配置容量与学习概率的计算339

10.4.5 网络的推广能力与网络大小的关系340

第十一章 模式识别的贝叶斯决策方法与前馈网络的特征提取准则343

11.1 贝叶斯决策理论343

11.1.1 贝叶斯规则343

11.1.2 贝叶斯决策与条件风险344

11.1.3 二类问题的最小风险的贝叶斯检验345

11.1.4 分类器与决策函数346

11.1.5 误识概率350

11.2 正态密度的决策函数351

11.2.1 正态密度351

11.2.2 决策函数352

11.3 前馈网络的特征提取准则与贝叶斯决策353

11.3.1 最小均方模式分析354

11.3.2 前馈网络的非线性分析357

11.3.3 极小化误差函数的物理意义与广义的网络特征提取准则359

11.3.4 求和规则360

11.3.5 模式加权与编码技术361

第十二章 自组织-时滞混合神经网络模型及其应用365

12.1 自组织-时滞混合神经网络模型的基本结构365

12.1.1 网络的输入--角特征矢量366

12.1.2 自适应-时滞单元混合网络的结构367

12.2 网络的学习算法与识别过程367

12.2.1 网络的学习算法367

12.2.2 网络的识别过程369

12.2.3 实验结果370

12.2.4 讨论372

第十三章 基于小波变换的初级视觉信息处理374

13.1 人的视觉信息处理及其初级视觉过程的多频率通道模型374

13.1.1 人的视觉感知的基本原理374

13.1.2 初级视觉过程的多频率通道376

13.2 小波变换及其快速算法377

13.2.1 小波分析377

13.2.2 时间-频率窗378

13.2.3 二进小波及其快速算法380

13.3 多分辨率分析382

13.3.1 多分辨率逼近382

13.3.2 多分辨率变换的实现383

13.3.3 正交小波表示384

13.3.4 正交小波表示的实现385

13.3.5 由正交小波表示对信号进行重建386

13.4 图像的正交小波表示386

13.4.1 图像的正交小波分解386

13.4.2 应用小波的图像重建388

13.4.3 小波分解的一种快速算法389

13.5 基于巴布(Bubble)小波的多尺度边缘提取390

13.5.1 侧抑制现象与一维巴布函数的时频特性390

13.5.2 二维巴布小波函数的构造及快速算法392

13.5.3 多尺度边缘提取实例393

13.6 应用香农(Shannon)小波包分解的纹理主频检测396

13.6.1 应用小波包对纹理主频的检测396

13.6.2 香农小波包397

13.6.3 香农小波包的快速分解算法399

13.6.4 应用香农小波包分解的纹理主频检测401

13.7 基于小波的初级视觉模型403

13.7.1 闭环初级视觉系统的基本概念403

13.7.2 生物视觉系统404

13.7.3 基于小波的感知细胞模型405

13.8 闭环视觉系统与选择性注意力机制409

13.8.1 实验构成409

13.8.2 讨论411

参考文献411