計算機視覺 : 模型、學習和推理 (Computer Vision) 计算机视觉:模型、学习和推理

Simon JD Prince博士，倫敦大學學院計算機科學系高級講師。他主講的課程包括：計算機視覺、圖像處理和高級數學方法。他有著計算機科學和生物學的專業背景，發表了多篇論文，涉及計算機視覺、生物測定學、心理學、生理學、醫學影像、計算機圖形學和人機交互。

譯者序
譯者簡介
序
前言

第1章緒論
1.1本書結構
1.2其他書籍

第一部分概率
第2章概率概述
2.1隨機變量
2.2聯合概率
2.3邊緣化
2.4條件概率
2.5貝葉斯公式
2.6獨立性
2.7期望
討論
備註
習題
第3章常用概率分佈
3.1伯努利分佈
3.2貝塔分佈
3.3分類分佈
3.4狄利克雷分佈
3.5一元正態分佈
3.6正態逆伽馬分佈
3.7多元正態分佈
3.8正態逆維希特分佈
3.9共軛性
總結
備註
習題
第4章擬合概率模型
4.1最大似然法
4.2最大後驗法
4.3貝葉斯方法
4.4算例1：一元正態分佈
4.4.1最大似然估計
4.4.2最大後驗估計
4.4.3貝葉斯方法
4.5算例2：分類分佈
4.5.1最大似然法
4.5.2最大後驗法
4.5.3貝葉斯方法
總結
備註
習題
第5章正態分佈
5.1協方差矩陣的形式
5.2協方差分解
5.3變量的線性變換
5.4邊緣分佈
5.5條件分佈
5.6正態分佈的乘積
5.7變量改變
總結
備註
習題

第二部分機器視覺的機器學習
第6章視覺學習和推理
6.1計算機視覺問題
6.2模型的 類
6.2.1判別模型
6.2.2生成模型
6.3示例1：回歸
6.3.1判別模型
6.3.2生成模型
6.4示例2：二值分類
6.4.1判別模型
6.4.2生成模型
6.5應該用哪種模型
6.6應用
6.6.1皮膚檢測
6.6.2背景差分
總結
備註
習題
第7章複雜數據密度建模
7.1正態分類模型
7.2隱變量
7.3期望最大化
7.4混合高斯模型
7.4.1混合高斯邊緣化
7.4.2基於期望最大化的混合模型擬合
7.5t分佈
7.5.1學生t分佈邊緣化
7.5.2擬舍t分佈的期望最大化
7.6因子分析
7.6.1因子分析的邊緣分佈
7.6.2因子分析學習的期望最大化
7.7組合模型
7.8期望最大化算法的細節
7.8.1期望最大化算法的下界
7.8.2E步
7.8.3M步
7.9應用
7.9.1人臉檢測
7.9.2目標識別
7.9.3分割
7.9.4正臉識別
7.9.5改變人臉姿態（回歸）
7.9.6作為隱變量的變換
總結
備註
習題
第8章回歸模型
8.1線性回歸
8.1.1學習
8.1.2線性回歸模型的問題
8.2貝葉斯線性回歸
8.2.1實際考慮
8.2.2擬合方差
8.3非線性回歸
8.3.1最大似然法 
8.3.2貝葉斯非線性回歸
8.4核與核技巧
8.5高斯過程回歸
8.6稀疏線性回歸
8.7二元線性回歸
8.8相關向量回歸
8.9多變量數據回歸
8.10應用
8.10.1人體姿勢估計
8.10.2位移專家
討論
備註
習題
第9章分類模型
9.1邏輯回歸
9.1.1學習：最大似然估計
9.1.2邏輯回歸模型的問題
9.2貝葉斯邏輯回歸
9.2.1學習
9.2.2推理
9.3非線性邏輯回歸
9.4對偶邏輯回歸模型
9.5核邏輯回歸
9.6相關向量分類
9.7增量擬合和boostjng 
9.8分類樹
9.9多分類邏輯同歸
9.10隨機樹、隨機森林和隨機蕨分類器
9.11與非概率模型的聯繫
9.12應用
9.12.1性別分類
9.12.2臉部和行人檢測
9.12.3語義分割
9.12.4恢復袁面佈局
9.12.5人體部位識別
討論
備註
習題

第三部分連接局部模型
第10章圖模型
10.1條件獨立性
10.2有向圖模型
10.2 .1示例1 
10.2.2示例2 
10.2.3示例3 
10.2.4總結
10.3無向圖模型
10.3.1示例1 
10.3.2示例2 
10.4有向圖模型與無向圖模型的對比
10.5計算機視覺中的 模型
10.6含有多個未知量的模型推理
10.6.1求最大後驗概率的解
10.6.2求後驗概率分佈的邊緣分佈
10.6.3最大化邊緣
10.6.4後驗分佈的採樣
10.7樣本採樣
10.7. 1有向圖模型的採樣
10.7.2無向圖模型的採樣
10.8學習
10.8.1有向圖模型的學習
10.8.2無向圖模型的學習
討論
備註
習題
第11章鍊式模型和樹模型
11.1鏈式模型
11.1.1有向鍊式模型
11.1.2無向鍊式模型
11.1.3模型的等價性
11.1.4隱馬爾可夫模型在手語中的應用
11.2鍊式MAP推理
11.3樹的MAP推理
11.4鍊式邊緣後驗推理
11.4.1求解邊緣分佈
11.4.2前向後向算法
11.4.3置信傳播
11.4.4鍊式模型的和積算法
11.5樹的邊緣後驗推理
11.6鍊式模型和樹模型的學習
11.7鍊式模型和樹模型之外的東西
11.8應用
11.8.1手勢跟踪
11.8.2立體視覺
11.8.3形象化結構
11.8.4分割
討論
備註
習題
第12章網格模型
12.1馬爾可夫隨機場
12.1 .1網格示例
12.1.2離散成對MRF圖像去噪
12.2二值成對馬爾可夫隨 場的MAP推理
12.2.1最大流／最小割
12.2.2MAP推理：二值變量
12.3多標籤成對MRF的MAP推理
12.4非凸勢的多標籤MRF 
12.5條件隨機場
12.6高階模型
12.7網格有向模型
12.8應用
12.8.1背景差分
12.8.2交互式分割
12.8.3立體視覺
12.8.4圖像重排
12.8.5超分辨率
12.8.6紋理合成
12.8.7合成新面孔
討論
備註
習題
第四部分預處理
第13章圖像預處理與特徵提取
13.1逐像素變換
13.1.1白化
13.1.2直方圖均衡化
13.1.3線性濾波
13.1.4局部二值模式
13.1.5紋理基元映射
13.2邊緣、角點和興趣點
13.2.1Canny邊緣檢測器
13.2.2Harris角點檢測器
13.2.3SIFT檢測器
13.3描述子
13.3.1直方圖
13.3.2SIFT描述於
13.3.3方向梯度直方圖
13.3.4詞袋描述子
13.3.5形狀內容描述子
13.4降維
13.4.1單數值近似
13.4.2主成分分析
13.4.3二元主成分分析
13.4.4K均值算法
結論
備註
習題
第五部分幾何模型
第14章針孔攝像機
14.1針孔攝像機簡介
14.1.1歸一化攝像機
14.1.2焦距參數
14.1.3偏 量和偏移參數
14.1.4攝像機的位置與方向
14.1.5全針孔攝像機模型
14.1.6徑向畸變
14.2三個幾何問題
14.2.1問題1：學習外在參數
14.2.2問題2：學習內在拳數
14.2.3問題3：推理3D世界點
14.2.4解決問題
14.3齊次坐標
14.4學習外在參數
14.5學習內在參數
14.6推理3D世界點
14.7應用
14.7.1結構光的深度
14.7.2剪影重構
討論
備註
習題
第15章變換模型
15.1二維變換模型
15.1.1歐氏變換模型
15.1.2相似變換模型
15.1.3仿射變換模型
15.1.4投影變換模型
15.1.5增加不確定性
15.2變換模型中的學習
15.2.1學習歐氏參數
15.2.2學習相似參數
15.2.3學習仿射參數
15.2.4學習投影參數
15.3變換模型中的推理
15.4平面的三個幾何問題
15.4.1問題1：學習外在參數
15.4.2問題2：學習內在參數
15.4.3問題3：與攝像機相關的3D位置推理
15.5圖像間的變換
15.5.1單應性的幾何特徵
15.5.2計算圖像間的變換
15.6變換的魯棒學習
15.6.1RANSAC 
15.6.2連續RANSAC 
15.6. 3PEaRL 
15.7應用
15.7.1增強現實追踪
15.7.2視覺全景
討論
備註
習題
第16章多攝像機系統
16.1雙視圖幾何學理論
16.1.1極線約束
16.1.2極點
16.2實矩陣
16.2.1實矩陣的屬性
16.2 .2實矩陣的分解
16.3基礎矩陣
16.3.1基礎矩陣的估計
16.3.28點算法
16.4雙視圖重構的流程
16.5校正
16.5.1平面校正
16.5.2極面校正
16.5.3校正後處理
16.6多視圖重構
16.7應用
16.7.1三維重構
16.7.2圖片瀏覽
16.7.3立體圖割
討論
備註
習題
…… 
第六部分視覺模型
第七部分附錄