-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

計算機視覺度量深入解析

( 簡體 字)
作者:[美] Scott Krig ( 斯科特·克里格 ) 類別:1. -> 教材 -> 數位影像處理
譯者:
出版社:人民郵電出版社計算機視覺度量深入解析 3dWoo書號: 45312
詢問書籍請說出此書號!

有庫存
NT售價: 445

出版日:10/1/2016
頁數:408
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115433046
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

  計算機視覺作為人工智能的一個重要分支,目前已經廣泛應用于智能駕駛、機器人、生物識別等眾多領域。本書對計算機視覺特征描述子的性質進行了分類,并給出了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了介紹,這些技術包括3D深度感知方法、稀疏編碼、卷積神經網絡、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合適的特征描述子。本書將按各種魯棒性屬性來理解各類計算機視覺的特征描述子,讀者在閱讀本書時要具備一定的圖像處理的基礎知識。
目錄:

第1章 圖像的獲取和表示 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:馬賽克、Faveon和BSI 3
 1.1.4 動態范圍和噪聲 5
 1.1.5 傳感器處理 5
 1.1.6 去馬賽克 6
 1.1.7 壞像素的校正 6
 1.1.8 顏色和照明校正 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 三維深度的攝像機系統 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 三維表示:體元、深度圖、網格和點云 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 為特征提取準備圖像 37
 2.3 圖像處理方法分類 41
 2.3.1 點運算 42
 2.3.2 直線運算 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 色彩管理系統概述 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 顏色空間與色彩感知 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 卷積濾波與檢測 48
 2.5.2 核濾波與形狀選擇 50
 2.5.3 點濾波 51
 2.5.4 噪聲與偽像濾波 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 核集合: 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 全局特征和區域特征 70
 3.1 視覺特征的歷史概述 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特征 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 圖像矩特征 92
 3.3.2 點度量特征 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 徑向直方圖 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 導向濾波器 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 局部特征設計、分類和學習 109
 4.1 局部特征 109
 4.1.1 檢測器、興趣點、關鍵點、錨點、標注 110
 4.1.2 描述子、特征描述、特征提取 110
 4.1.3 稀疏局部模式方法 111
 4.2 局部特征屬性 111
 4.2.1 選擇特征描述子和興趣點 111
 4.2.2 特征描述子和特征匹配 112
 4.2.3 好特征的標準 112
 4.2.4 可重復性,相對于困難的查找算容易 113
 4.2.5 判別性與非判別性 114
 4.2.6 相對和絕對位置 114
 4.2.7 匹配代價和一致性 114
 4.3 距離函數 115
 4.3.1 關于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 基于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 描述子的表示 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 徑向坐標 122
 4.4.5 球面坐標 122
 4.4.6 Gauge坐標 122
 4.4.7 多元空間和多模數據 122
 4.4.8 特征金字塔 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 稠密與稀疏特征描述 124
 4.6 描述子形狀拓撲 125
 4.6.1 關聯性模板 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 描述子判別性 131
 4.8.1 譜的判別性 132
 4.8.2 區域、形狀和模式的判別性 133
 4.8.3 幾何判別因素 133
 4.8.4 通過特征可視化來評價判別性 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 特征金字塔 142
 4.9.6 稀疏預測搜索與跟蹤 142
 4.9.7 跟蹤區域限制搜尋 143
 4.9.8 分割限制搜索 143
 4.9.9 深度或Z限制搜索 143
 4.10 計算機視覺、模型和結構 144
 4.10.1 特征空間 144
 4.10.2 對象模型 145
 4.10.3 約束 146
 4.10.4 選擇檢測器和特征 146
 4.10.5 訓練概述 147
 4.10.6 特征和對象的分類 148
 4.10.7 特征學習、稀疏編碼和卷積網絡 154
 4.11 總結 158
第5章 特征描述屬性的分類學 159
 5.1 特征描述子系列 160
 5.2 計算機視覺分類學方面的早期研究成果 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 顏色準則 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 判別性和唯一性 165
 5.5 通用的視覺度量分類學 166
 5.5.1 特征描述子族 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 特征形狀 173
 5.5.9 特征模式 173
 5.5.10 特征密度 174
 5.5.11 特征搜索方法 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 特征度量評估 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 特征度量評估舉例 178
 5.7 總結 180
第6章 興趣點檢測與特征描述子研究 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 局部曲率方法 189
 6.3.10 形態興趣區域 189
 6.4 特征描述子介紹 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 相關模板 210
 6.5.9 HAAR特征 212
 6.5.10 使用類HAAR特征的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征匹配 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 傅里葉描述子 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 什么是基準數據? 238
 7.2 先前關于標注數據方面的研究: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關于角點方面的研究工作 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 使用數據擬合算法 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 開放式評價系統 248
 7.4.3 極端情況和限制 248
 7.4.4 興趣點和特征 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 將魯棒性準則用于實際應用 250
 7.6 度量與基準數據的配對 252
 7.6.1 興趣點、特征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 合成的特征字母表 254
 7.7.1 合成數據集的目標 254
 7.7.2 合成興趣點字母表 256
 7.7.3 將合成字母表疊加到真實圖像上 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 汽車識別 270
 8.3.2 人臉檢測、情感識別以及年齡識別 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 粗粒度并行 296
 8.4.3 細粒度數據并行 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 特征描述子改造、檢測器和距離函數 302
 8.5.3 Boxlets與卷積加速 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 合成特征分析 306
 A.1 目標的背景與期望 307
 A.2 測試方法和結果 309
 A.3 合成字母基準圖像概述 311
 A.4 測試1:合成興趣點字母檢測 313
 A.5 測試2:合成角點字母檢測 323
 A.6 測試3:疊加到真實圖像上的合成字母檢測 333
 A.7 測試4:字母的旋轉不變性 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 商業產品 347
 C.2 開放源碼 348
 C.3 組織、機構和標準 350
 C.4 在線資源 351
附錄D 擴展SDM準則 353
譯后記 370
參考文獻 372

序: