計算機視覺：原理、算法、應用及學習, 5/e Computer Vision: Principles, Algorithms, Applications, Learning, 5/e

譯者序
序
第5版前言
第1版前言
縮寫詞彙表
第1章計算機視覺面臨的挑戰1
1.1導言—人類及其感官1
1.2視覺的本質2
1.2.1識別過程2
1.2.2解決識別問題3
1.2.3物體定位4
1.2.4場景分析5
1.2.5視覺是逆向圖形學6
1.3從自動視覺檢測到監控6
1.4本書是關於什麼的7
1.5機器學習的作用8
1.6後續章節內容概述9
1.7書目註釋9
 

部分初級視覺
第2章圖像與圖像處理12
2.1導言12
2.2圖像處理操作15
2.2.1灰度圖像的一些基本操作15
2.2.2二值圖像的基本操作19
2.3卷積和點擴散函數21
2.4順序操作與並行操作22
2.5結束語23
2.6書目和歷史註釋24
2.7問題24
 

第3章圖像濾波和形態學25
3.1導言25
3.2通過高斯平滑噪聲27
3.3中值濾波器28
3.4模式濾波器30
3.5秩排序濾波器35
3.6銳化–反銳化掩模35
3.7中值濾波器引入的偏移36
3.7.1中值偏移的連續體模型36
3.7.2推廣到灰度圖38
3.7.3中值偏移的離散模型40
3.8秩排序濾波器引入的偏移41
3.9濾波器在計算機視覺工業應用中的作用44
3.10圖像濾波中的色彩44
3.11二值圖像的膨脹和腐蝕45
3.11.1膨脹和腐蝕45
3.11.2抵消效應45
3.11.3改進的膨脹與腐蝕算子45
3.12數學形態學46
3.12.1泛化的形態學膨脹46
3.12.2泛化的形態學腐蝕47
3.12.3膨脹與腐蝕之間的對偶性47
3.12.4膨脹與腐蝕算子的特性48
3.12.5閉合與開啟50
3.12.6基本形態學運算概要51
3.13形態學分組53
3.14灰度圖像中的形態學54
3.15結束語55
3.16書目和歷史註釋56
3.17問題58
 

第4章閾值的作用61
4.1導言61
4.2區域生長方法62
4.3閾值方法62
4.3.1尋找合適的閾值62
4.3.2解決閾值選取中的偏差問題63
4.4自適應閾值64
4.5更徹底的閾值選擇方法66
4.5.1基於方差的閾值67
4.5 .2基於熵的閾值67
4.5.3似然閾值68
4.6全局波谷閾值方法69
4.7應用全局波谷閾值方法的實際結果71
4.8直方圖凹性分析75
4.9結束語75
4.10書目和歷史註釋76
4.11問題77
 

第5章邊緣檢測78
5.1導言78
5.2邊緣檢測基本理論79
5.3模板匹配方法80
5.4 3×3模板算子理論81
5.5微分梯度算子的設計82
5.6圓形算子的概念83
5.7圓形算子的詳細實現83
5.8微分邊緣算子的設計85
5.9上述方法的問題—一些替代方案86
5.10滯後閾值88
5.11 Canny算子89
5.12 Laplacian算子92
5.13結束語93
5.14書目和歷史註釋93
5.15問題94
 

第6章角點、興趣點和不變特徵的檢測95
6.1導言95
6.2模板匹配95
6.3二階導數方法96
6.4基於中值濾波的角點檢測器98
6.4.1分析中值檢測器的操作98
6.4.2實際結果99
6.5 Harris興趣點算子100
6.5.1各種幾何構型的角點信號和位移102
6.5.2交叉點和T形交叉點的性能103
6.5.3 Harris算子的不同形式105
6.6角點方向106
6.7局部不變特徵檢測器與描述符106
6.7.1幾何變換和特徵標準化107
6.7.2 Harris尺度、仿射不變檢測器和描述符108
6.7.3 Hessian尺度、仿射不變檢測器和描述符109
6.7.4尺度不變特徵變換算子110
6.7.5加速魯棒特徵算子110
6.7.6穩定極值區域111
6.7.7各種不變特徵檢測器的比較112
6.7.8定向梯度直方圖114
6.8結束語115
6.9書目和歷史註釋116
6.10問題118
 

第7章紋理分析119
7.1導言119
7.2紋理分析的一些基本方法121
7.3灰度共生矩陣122
7.4 Laws紋理能量法123
7.5 Ade特徵濾波器法125
7.6對Laws法和Ade法的評估126
7.7結束語127
7.8書目和歷史註釋127
 

第二部分中級視覺
第8章二值化形狀分析130
8.1導言130
8.2二值圖像的連通性131
8.3物體標記和計數131
8.4尺寸濾波136
8.5距離函數及其用途138
8.6骨架和細化140
8.6.1交叉數141
8.6.2細化的並行和順序實現143
8.6.3引導細化144
8.6.4如何看待骨架的本質145
8.6.5骨架節點分析146
8.6.6骨架在形狀識別中的應用146
8.7形狀識別的其他度量147
8.8邊界跟踪過程148
8.9結束語149
8.10書目和歷史註釋150
8.11問題151
 

第9章邊界模式分析154
9.1導言154
9.2邊界跟踪過程156
9.3質心輪廓156
9.4質心輪廓方法存在的問題157
9.5 （s, ψ）圖159
9.6解決遮擋問題160
9.7邊界長度度量的準確性162
9.8結束語163
9.9書目和歷史註釋164
9.10問題165
 

第10章直線、圓和橢圓的檢測166
10.1導言166
10.2霍夫變換在直線檢測中的應用167
10.3垂足法169
10.4使用RANSAC進行直線檢測171
10.5腹腔鏡工具的位置174
10.6基於霍夫的圓形物體檢測方案175
10.7圓半徑未知的問題178
10.8克服速度問題179
10.9橢圓檢測181
10.9.1直徑平分法182
10.9.2弦切法183
10.9.3尋找剩餘橢圓參數184
10.10人類虹膜定位185
10.11結束語186
10.12書目和歷史註釋187
10.13問題189
 

第11章廣義霍夫變換191
11.1導言191
11.2廣義霍夫變換192
11.3空間匹配濾波的相關性193
11.4梯度加權與均勻加權194
11.4.1靈敏度和計算負荷的計算195
11.4.2總結196
11.5使用GHT檢測橢圓196
11.6各種橢圓檢測方法的比較199
11.7物體定位的圖論方法200
11.8節省計算的可能性204
11.9使用GHT進行特徵排序205
11.10推廣團及其他方法207
11.11搜索208
11.12結束語208
11.13書目和歷史註釋209
11.14問題212
 

第12章物體分割與形狀模型215
12.1導言215
12.2主動輪廓215
12.3使用主動輪廓獲得的實際結果217
12.4用於物體分割的水平集方法218
12.5形狀模型219
12.6結束語227
12.7書目和歷史註釋227
 

第三部分機器學習和深度學習網絡
第13章基本分類概念230
13.1導言230
13.2近鄰算法231
13.3貝葉斯決策理論232
13.4近鄰與貝葉斯方法的關係234
13.4.1問題的數學陳述234
13.4.2近鄰算法的重要性236
13.5佳特徵數量236
13.6代價函數和–拒絕權衡236
13.7監督和無監督學習238
13.8聚類分析238
13.9支持向量機240
13.10人工神經網絡241
13.11反向傳播算法244
13.12多層感知器架構246
13.13訓練數據過擬合247
13.14結束語248
13.15書目和歷史註釋249
13.16問題250
 

第14章機器學習：概率方法251
14.1導言251
14.2高斯混合和EM算法253
14.3更一般的EM算法視圖257
14.4一些實際例子259
14.5主成分分析264
14.6多分類器266
14.7 Boosting方法268
14.8 AdaBoost建模270
14.9 Boosting方法的損失函數272
14.10 LogitBoost算法275
14.11 Boosting方法的有效性277
14.12多類別的Boosting方法277
14.13接受者操作特性281
14.14結束語284
14.15書目和歷史註釋284
14.16問題286
 

第15章深度學習網絡287
15.1導言287
15.2卷積神經網絡289
15.3用於定義CNN架構的參數290
15.4 LeCun等人提出的LeNet架構293
15.5 Krizhevsky等人提出的AlexNet架構296
15.6 Zeiler和Fergus對CNN架構的研究300
15.7 Zeiler和Fergus的可視化實驗302
15.8 Simonyan和Zisserman的VGGNet架構303
15.9 Noh等人的DeconvNet架構305
15.10 Badrinarayanan等人的SegNet架構307
15.11循環神經網絡309
15.12結束語311
15.13書目和歷史註釋313
 

第四部分三維視覺和運動
第16章三維世界316
16.1導言316
16.2三維視覺方法316
16.3三維視覺投影方案318
16.3.1雙目圖像319
16.3.2對應問題320
16.4陰影形狀322
16.5光度立體技術325
16.6表面光滑性的假設326
16.7紋理形狀327
16.8結構光的使用327
16.9三維物體識別方案329
16.10 Horaud的匯聚定向技術329
16.11一個重要的範例—工業零件的定位332
16.12結束語333
16.13書目和歷史註釋334
16.14問題336
 

第17章解決n點透視問題338
17.1導言338
17.2視角倒轉現象338
17.3弱透視投影下的姿勢歧義性339
17.4求姿勢估計的解341
17.4.1三點情況下的解343
17.4.2利用對稱梯形來預測姿勢344
17.5結束語345
17.6書目和歷史註釋345
17.7問題346
 

第18章不變量與透視347
18.1導言347
18.2交比：“比率的比率”的概念348
18.3非共線點的不變量351
18.4圓錐曲線上點的不變量353
18.5微分和半微分不變量355
18.6對稱交比函數356
18.7消失點檢測357
18.8更多關於消失點的內容358
18.9圓和橢圓的表觀中心359
18.10美術和攝影中的透視效果360
18.11結束語365
18.12書目和歷史註釋365
18.13問題367
 

第19章圖像變換和攝像機校準368
19.1導言368
19.2圖像變換369
19.3攝像機校準372
19.4內部和外部參數373
19.5徑向畸變糾正375
19.6多視圖視覺376
19.7廣義的對極幾何376
19.8本徵矩陣377
19.9基礎矩陣378
19.10本徵矩陣和基礎矩陣的性質379
19.11評估基礎矩陣380
19.12 8點算法的更新380
19.13圖像校正380
19.14三維重建381
19.15結束語382
19.16書目和歷史註釋383
19.17問題384
 

第20章運動385
20.1導言385
20.2光流385
20.3光流場的理解387
20.4利用擴展焦點避免碰撞389
20.5時間鄰近度分析390
20.6基於光流模型的基本問題391
20.7運動中的立體視覺391
20.8卡爾曼濾波器393
20.9寬基線匹配394
20.10結束語395
20.11書目和歷史註釋396
20.12問題396
 

第五部分計算機視覺的應用
第21章人臉檢測與識別：深度學習帶來的影響398
21.1導言398
21.2一種人臉檢測的簡單方法399
21.3人臉特徵檢測401
21.4用於快速人臉檢測的Viola-Jones方法402
21.5人臉識別的特徵臉方法404
21.6人臉識別的其他難點406
21.7人臉正面化408
21.8 Sun等人提出的DeepID人臉表徵410
21.9再議快速人臉檢測413
21.10三維人臉檢測416
21.11結束語417
21.12書目和歷史註釋418
 

第22章監控420
22.1導言420
22.2監控：基本幾何421
22.3前景–背景分離424
22.3.1背景建模424
22.3.2背景建模的實例426
22.3.3前景的直接檢測430
22.4粒子濾波430
22.5基於顏色直方圖的跟踪434
22.6粒子濾波的應用437
22.7倒角匹配、跟踪和遮擋439
22.8多個攝像機的組合視角440
22.9交通流量監測的應用443
22.9.1 Bascle等人的443
22.9.2 Koller等人的445
22.10車牌定位446
22.11跟踪遮擋分類447
22.12通過步態區分行人449
22.13人體步態分析451
22.14基於模型的動物跟踪452
22.15結束語454
22.16書目和歷史註釋455
22.17問題456
 

第23章車載視覺457
23.1導言457
23.2定位道路458
23.3道路交通標線的定位459
23.4道路交通標誌的定位461
23.5車輛的定位462
23.6通過查看車牌和其他結構特徵獲得的信息464
23.7定位行人466
23.8導航和自我運動468
23.9農業車輛導航471
23.9.1任務的三維層面473
23.9.2實時實現473
23.10結束語474
23.11駕駛輔助的更多細節及相關書目474
23.11.1車輛檢測的發展476
23.11.2行人檢測的發展476
23.11.3道路和車道檢測的發展478
23.11.4交通標誌檢測的發展479
23.11.5路徑規劃、導航和自我運動的發展480
23.12問題480
 

第24章結語——計算機視覺展望481
24.1導言481
24.2機器視覺中的重要參數481
24.3權衡483
24.3.1一些重要的權衡483
24.3.2兩階段模板匹配權衡484
24.4摩爾定律的作用484
24.5硬件、算法和過程485
24.6選擇表達形式的重要性485
24.7過去、現在和未來486
24.8深度學習探索487
24.9書目和歷史註釋487
在線資源
附錄A穩健統計
附錄B採樣定理
附錄C顏色的表示
附錄D從分佈中採樣
參考文獻