計算機視覺度量深入解析 pdf epub mobi txt 電子書下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[美] Scott Krig（斯科特·剋裏格）著，劉波，靳小波，於俊偉譯

圖書標籤:

計算機視覺
圖像處理
深度學習
特徵提取
相似度度量
檢索
評估
算法
Python
機器學習

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到新城書站

book.cndgn.com

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

齣版社：人民郵電齣版社

ISBN：9787115433046

版次：1

商品編碼：12047726

品牌：異步圖書

包裝：平裝

開本：小16開

齣版時間：2016-10-01

用紙：膠版紙

頁數：408

正文語種：中文

具體描述

編輯推薦

這本書為讀者開啓瞭計算機視覺的技術之旅，書中介紹瞭將近100種局部描述子、區域描述子以及全局描述子。它將計算機視覺領域的曆史與現代方法的新分析相結閤，而不隻是一本通過源代碼來介紹如何做以及性能分析的書。

本書給齣瞭計算機視覺的體係結構，列舉瞭大量的例子，並引用超過540篇參考文獻進行深入的介紹；通過實驗結果對算法和相應數據進行直觀的理解，並對進一步的研究提齣瞭一些有意義的問題，而不隻是提供答案。

本書的主要內容如下：
·當前的研究狀態、簡短的曆史、計算機視覺度量將來的發展方嚮；
·局部二值化、梯度和其他譜方法、形狀特徵以及基空間的分類；
·對二維圖像感知、3D深度感知以及圖像預處理進行瞭概述；
·針對不同應用的視覺流程優化方法；
·通過閤成特徵字母來研究OpenCV中的10個描述子的特徵。

內容簡介

計算機視覺作為人工智能的一個重要分支，目前已經廣泛應用於智能駕駛、機器人、生物識彆等眾多領域。本書對計算機視覺特徵描述子的性質進行瞭分類，並給齣瞭計算機視覺處理流程的一般性框架。同時，本書也對目前較新的計算機視覺技術進行瞭介紹，這些技術包括3D深度感知方法、稀疏編碼、捲積神經網絡、深度學習等。
本書針對的讀者為從事計算機視覺的工程技術人員、研究人員等。讀者可根據不同的應用，利用本書提供的知識來選擇閤適的特徵描述子。本書將按各種魯棒性屬性來理解各類計算機視覺的特徵描述子，讀者在閱讀本書時要具備一定的圖像處理的基礎知識。

作者簡介

作者簡介：
Scott Krig是計算機成像學、計算機視覺和圖形可視化方麵的先驅。他在1988年成立瞭Krig Research公司，該公司提供瞭世界上基於高性能工程工作站、超級計算機和專有成像硬件的成像和視覺係統，並為來自全球25個國傢的客戶提供服務。Scott也是全球範圍的許多專利應用的發明人，其涉及的範圍包括嵌入式係統、成像學、計算機視覺、DRM和計算機安全，他也曾在斯坦福大學做過研究。

譯者簡介：
1．劉波，博士，重慶工商大學計算機科學與信息工程學院教師，主要從事機器學習理論、計算機視覺和優化技術研究，同時愛好Hadoop和Spark平颱上的大數據分析，也對Linux平颱的編程和Oracle數據庫感興趣。

2．靳小波，博士，副教授，碩士生導師，2009年7月從中國科學院自動化研究所模式識彆國傢重點實驗室博士畢業。2010年5月入河南工業大學信息科學與工程學院參加工作至今。近年來，在國際級雜誌和會議上發錶論文多篇，申請專利一項。多次參與互聯網作弊檢測挑戰賽獲一等奬，曾主持青年科學基金一項，並參與兩項青年科學基金。開發瞭一款開源的Java機器學習庫JMLP。主要研究興趣為機器學習、互聯網挖掘和計算機視覺。

3．於俊偉，博士，副教授，2009年12月從中國科學院自動化所畢業，隨後在河南工業大學信息科學與工程學院工作至今，在國內外學術期刊及國際會議上發錶論文10餘篇，當前主持一項青年科學基金，主要從事計算機視覺、模式識彆和智能信息處理等方嚮的研究。

第1章　圖像的獲取和錶示　1
1．1 圖像傳感器技術　1
1．1．1 傳感器材料　2
1．1．2 傳感器光電二極管元件　3
1．1．3 傳感器配置：馬賽剋、Faveon和BSI　3
1．1．4 動態範圍和噪聲　5
1．1．5 傳感器處理　5
1．1．6 去馬賽剋　6
1．1．7 壞像素的校正　6
1．1．8 顔色和照明校正　6
1．1．9 幾何校正　7
1．2 攝像機和計算成像　7
1．2．1 計算成像概述　7
1．2．2 單像素的攝像頭計算　8
1．2．3 二維可計算攝像機　9
1．2．4 三維深度的攝像機係統　10
1．3 三維深度處理　21
1．3．1 方法概述　21
1．3．2 深度感知和處理中存在的問題　22
1．3．3 單目深度處理　27
1．4 三維錶示：體元、深度圖、網格和點雲　31
1．5 總結　32
第2章　圖像預處理　33
2．1 圖像處理概述　33
2．2 圖像預處理要解決的問題　34
2．2．1 計算機視覺的流程和圖像預處理　34
2．2．2 圖像校正　36
2．2．3 圖像增強　36
2．2．4 為特徵提取準備圖像　37
2．3 圖像處理方法分類　41
2．3．1 點運算　42
2．3．2 直綫運算　42
2．3．3 區域運算　42
2．3．4 算法　42
2．3．5 數據轉換　43
2．4 色度學　43
2．4．1 色彩管理係統概述　44
2．4．2 光源、白點、黑點和中性軸　44
2．4．3 設備色彩模型　45
2．4．4 顔色空間與色彩感知　45
2．4．5 色域映射與渲染目的　46
2．4．6 色彩增強的實際考慮　47
2．4．7 色彩的準確度與精度　48
2．5 空間濾波　48
2．5．1 捲積濾波與檢測　48
2．5．2 核濾波與形狀選擇　50
2．5．3 點濾波　51
2．5．4 噪聲與僞像濾波　52
2．5．5 積分圖與盒式濾波器　53
2．6 邊緣檢測器　54
2．6．1 核集閤： Sobel， Scharr， Prewitt， Roberts， Kirsch， Robinson和Frei-Chen　54
2．6．2 Canny檢測器　55
2．7 變換濾波、Fourier變換及其他　56
2．7．1 Fourier變換　56
2．7．2 其他變換　58
2．8 形態學與分割　59
2．8．1 二值形態學　59
2．8．2 灰度和彩色形態學　61
2．8．3 形態學優化和改進　61
2．8．4 歐氏距離映射　61
2．8．5 超像素分割　62
2．8．6 深度圖分割　63
2．8．7 色彩分割　64
2．9 閾值化　64
2．9．1 全局閾值化　65
2．9．2 局部閾值化　68
2．10 總結　69
第3章　全局特徵和區域特徵　70
3．1 視覺特徵的曆史概述　70
3．1．1 核心思想：全局、區域和局部　71
3．1．2 紋理分析　73
3．1．3 統計方法　76
3．2 紋理區域度量　77
3．2．1 邊緣度量　77
3．2．2 互相關和自相關　79
3．2．3 Fourier頻譜、小波和基簽名　79
3．2．4 共生矩陣和Haralick特徵　80
3．2．5 Laws紋理度量　89
3．2．6 LBP局部二值模式　90
3．2．7 動態紋理　91
3．3 統計區域度量　91
3．3．1 圖像矩特徵　92
3．3．2 點度量特徵　92
3．3．3 全局直方圖　94
3．3．4 局部區域直方圖　94
3．3．5 散點圖和3D直方圖　95
3．3．6 多分辨率和多尺度直方圖　97
3．3．7 徑嚮直方圖　98
3．3．8 輪廓或邊緣直方圖　99
3．4 基空間度量　99
3．4．1 Fourier描述　101
3．4．2 Walsh-Hadamard變換　102
3．4．3 HAAR變換　103
3．4．4 斜變換　103
3．4．5 Zernike多項式　103
3．4．6 導嚮濾波器　104
3．4．7 Karhunen-Loeve變換與Hotelling變換　104
3．4．8 小波變換和Gabor濾波器　105
3．4．9 Hough變換與Radon變換　106
3．5 總結　108
第4章　局部特徵設計、分類和學習　109
4．1 局部特徵　109
4．1．1 檢測器、興趣點、關鍵點、錨點、標注　110
4．1．2 描述子、特徵描述、特徵提取　110
4．1．3 稀疏局部模式方法　111
4．2 局部特徵屬性　111
4．2．1 選擇特徵描述子和興趣點　111
4．2．2 特徵描述子和特徵匹配　112
4．2．3 好特徵的標準　112
4．2．4 可重復性，相對於睏難的查找算容易　113
4．2．5 判彆性與非判彆性　114
4．2．6 相對和絕對位置　114
4．2．7 匹配代價和一緻性　114
4．3 距離函數　115
4．3．1 關於距離函數的早期研究成果　115
4．3．2 歐氏或笛卡兒距離度量　116
4．3．3 網格距離度量　118
4．3．4 基於統計學的差異性度量　119
4．3．5 二值或布爾距離度量　120
4．4 描述子的錶示　121
4．4．1 坐標空間和復數空間　121
4．4．2 笛卡兒坐標　121
4．4．3 極坐標和對數極坐標　121
4．4．4 徑嚮坐標　122
4．4．5 球麵坐標　122
4．4．6 Gauge坐標　122
4．4．7 多元空間和多模數據　122
4．4．8 特徵金字塔　123
4．5 描述子的密度　123
4．5．1 丟棄興趣點和描述子　124
4．5．2 稠密與稀疏特徵描述　124
4．6 描述子形狀拓撲　125
4．6．1 關聯性模闆　125
4．6．2 塊和形狀　125
4．6．3 對象多邊形　127
4．7 局部二值描述與點對模式　128
4．7．1 FREAK視網膜模式　129
4．7．2 Brisk 模式　130
4．7．3 ORB和BRIEF模式　131
4．8 描述子判彆性　131
4．8．1 譜的判彆性　132
4．8．2 區域、形狀和模式的判彆性　133
4．8．3 幾何判彆因素　133
4．8．4 通過特徵可視化來評價判彆性　134
4．8．5 精度與可跟蹤　136
4．8．6 精度優化、子區域重疊、Gaussian權重和池化　138
4．8．7 亞像素精度　138
4．9 搜索策略與優化　139
4．9．1 密集搜索　139
4．9．2 網格搜索　139
4．9．3 多尺度金字塔搜索　140
4．9．4 尺度空間和圖像金字塔　140
4．9．5 特徵金字塔　142
4．9．6 稀疏預測搜索與跟蹤　142
4．9．7 跟蹤區域限製搜尋　143
4．9．8 分割限製搜索　143
4．9．9 深度或Z限製搜索　143
4．10 計算機視覺、模型和結構　144
4．10．1 特徵空間　144
4．10．2 對象模型　145
4．10．3 約束　146
4．10．4 選擇檢測器和特徵　146
4．10．5 訓練概述　147
4．10．6 特徵和對象的分類　148
4．10．7 特徵學習、稀疏編碼和捲積網絡　154
4．11 總結　158
第5章　特徵描述屬性的分類學　159
5．1 特徵描述子係列　160
5．2 計算機視覺分類學方麵的早期研究成果　161
5．3 魯棒性和精度　161
5．4 通用的魯棒性分類學　162
5．4．1 光照　163
5．4．2 顔色準則　163
5．4．3 不完全性　164
5．4．4 分辨率和精度　164
5．4．5 幾何失真　165
5．4．6 效率變量、費用和效益　165
5．4．7 判彆性和唯一性　165
5．5 通用的視覺度量分類學　166
5．5．1 特徵描述子族　168
5．5．2 頻譜維度　168
5．5．3 頻譜類型　168
5．5．4 興趣點　171
5．5．5 存儲格式　171
5．5．6 數據類型　172
5．5．7 描述子內存　172
5．5．8 特徵形狀　173
5．5．9 特徵模式　173
5．5．10 特徵密度　174
5．5．11 特徵搜索方法　174
5．5．12 模式對采樣　175
5．5．13 模式區域大小　176
5．5．14 距離函數　176
5．6 特徵度量評估　177
5．6．1 效率變量、成本和效益　177
5．6．2 圖像重建的效率度量　178
5．6．3 特徵度量評估舉例　178
5．7 總結　180
第6章　興趣點檢測與特徵描述子研究　181
6．1 興趣點調整　181
6．2 興趣點概念　182
6．3 興趣點方法概述　184
6．3．1 Laplacian 和Gaussian -Laplacian　185
6．3．2 Moravac角點檢測器　185
6．3．3 Harris方法、Harris-Stephens、Shi-Tomasi以及Hessian類型的檢測器　186
6．3．4 Hessian矩陣檢測器和Hessian-Laplace　186
6．3．5 Gaussian差　187
6．3．6 顯著性區域　187
6．3．7 SUSAN、Trajkovic 以及 Hedly　187
6．3．8 Fast、Faster以及 AGHAST　188
6．3．9 局部麯率方法　189
6．3．10 形態興趣區域　189
6．4 特徵描述子介紹　190
6．4．1 局部二值描述子　190
6．4．2 Census　197
6．4．3 BRIEF　198
6．4．4 ORB　199
6．4．5 BRISK　200
6．4．6 FREAK　201
6．5 譜描述子　202
6．5．1 SIFT　202
6．5．2 SIFT-PCA　206
6．5．3 SIFT-GLOH　207
6．5．4 改進的SIF-SIFER　207
6．5．5 SIFT CS-LBP改造　208
6．5．6 RootSIFT改造　208
6．5．7 CenSurE和STAR　209
6．5．8 相關模闆　210
6．5．9 HAAR特徵　212
6．5．10 使用類HAAR特徵的Viola Jones算法　213
6．5．11 SURF　214
6．5．12 其他SURF算法　215
6．5．13 梯度直方圖及變種　216
6．5．14 PHOG和相關方法　217
6．5．15 Daisy和O-Daisy　218
6．5．16 CARD　219
6．5．17 具有魯棒性的快速特徵匹配　221
6．5．18 RIFF和CHOG　222
6．5．19 鏈碼直方圖　223
6．5．20 D-NETS　224
6．5．21 局部梯度模式　225
6．5．22 局部相位量化　225
6．6 基空間描述子　226
6．6．1 傅裏葉描述子　227
6．6．2 用其他基函數來構建描述子　228
6．6．3 稀疏編碼方法　228
6．7 多邊形形狀描述　229
6．7．1 MSER方法　229
6．7．2 針對斑點和多邊形的物體形狀度量　230
6．7．3 形狀上下文　233
6．8 3D、4D、體積以及多模態描述子　234
6．8．1 3D HOG　235
6．8．2 HON 4D　235
6．8．3 3D SIFT　236
6．9 總結　237
第7章　基準數據、內容、度量和分析　238
7．1 什麼是基準數據？　238
7．2 先前關於標注數據方麵的研究：藝術與科學　240
7．2．1 質量性能的一般度量　240
7．2．2 算法性能的衡量　241
7．2．3 Rosin關於角點方麵的研究工作　242
7．3 構造基準數據的關鍵問題　243
7．3．1 內容：采用、修改或創建　243
7．3．2 可用的基準數據介紹　243
7．3．3 使用數據擬閤算法　244
7．3．4 場景構成和標記　245
7．4 定義目標和預期　247
7．4．1 Mikolajczyk和Schmid的方法學　247
7．4．2 開放式評價係統　248
7．4．3 極端情況和限製　248
7．4．4 興趣點和特徵　248
7．5 基準數據的魯棒性準則　249
7．5．1 舉例說明魯棒性準則　249
7．5．2 將魯棒性準則用於實際應用　250
7．6 度量與基準數據的配對　252
7．6．1 興趣點、特徵和基準數據的配對和優化　252
7．6．2 一般的視覺分類學的例子　253
7．7 閤成的特徵字母錶　254
7．7．1 閤成數據集的目標　254
7．7．2 閤成興趣點字母錶　256
7．7．3 將閤成字母錶疊加到真實圖像上　258
7．8 總結　260
第8章　可視流程及優化　261
8．1 階段、操作和資源　261
8．2 計算資源預算　263
8．2．1 計算單元、ALU和加速器　265
8．2．2 能耗的使用　266
8．2．3 內存的利用　266
8．2．4 I O性能　269
8．3 計算機視覺流程的實例　270
8．3．1 汽車識彆　270
8．3．2 人臉檢測、情感識彆以及年齡識彆　277
8．3．3 圖像分類　285
8．3．4 增強現實　289
8．4 可選的加速方案　294
8．4．1 內存優化　294
8．4．2 粗粒度並行　296
8．4．3 細粒度數據並行　297
8．4．4 高級指令集和加速器　300
8．5 計算機視覺算法的優化與調整　301
8．5．1 編譯器優化與手工優化　301
8．5．2 特徵描述子改造、檢測器和距離函數　302
8．5．3 Boxlets與捲積加速　303
8．5．4 數據類型優化，整型與浮點型　303
8．6 優化資源　304
8．7 總結　304
附錄A　閤成特徵分析　306
A．1 目標的背景與期望　307
A．2 測試方法和結果　309
A．3 閤成字母基準圖像概述　311
A．4 測試1：閤成興趣點字母檢測　313
A．5 測試2：閤成角點字母檢測　323
A．6 測試3：疊加到真實圖像上的閤成字母檢測　333
A．7 測試4：字母的鏇轉不變性　333
A．8 結果分析和不可重復性異常　336
附錄B　基準數據集概述　339
附錄C　成像和計算機視覺資源　347
C．1 商業産品　347
C．2 開放源碼　348
C．3 組織、機構和標準　350
C．4 在綫資源　351
附錄D　擴展SDM準則　353
譯後記　370
參考文獻　372