掃一掃
關(guān)注中圖網(wǎng)
官方微博
中圖價(jià):¥69.3
加入購物車
圖像工程——中冊(cè):圖像分析(第5版) 版權(quán)信息
- ISBN：9787302662891
- 條形碼：9787302662891 ; 978-7-302-66289-1
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
圖像工程——中冊(cè):圖像分析(第5版) 本書特色
本書內(nèi)容體系連續(xù)貫通，依次學(xué)習(xí)能幫助讀者全面、深入、系統(tǒng)地學(xué)習(xí)圖像分析技術(shù)。相比于國內(nèi)外同類教材，本書與*新科研成果結(jié)合比較緊密，每次再版均充實(shí)了*新研究成果和得到廣泛使用的典型技術(shù)，新內(nèi)容的引進(jìn)比較早。在教材所引用和參考的文獻(xiàn)中，作者自己發(fā)表的就有100多篇，科研成果的引入提高了內(nèi)容的先進(jìn)性。
從教學(xué)的角度考慮，本書具有以下特點(diǎn)：
（1）盡快進(jìn)入主題：把先修或預(yù)備內(nèi)容安排在需先修部分的同一章之前，沒有安排專門的基礎(chǔ)知識(shí)章，更加實(shí)用，也突出了課程主線的內(nèi)容。
（2）內(nèi)容模塊化：正式內(nèi)容分別結(jié)合進(jìn)4個(gè)相關(guān)的學(xué)習(xí)單元，每個(gè)單元都圍繞一個(gè)主題（自成體系），既加強(qiáng)了全書的系統(tǒng)性和結(jié)構(gòu)性，也有利于復(fù)習(xí)考核。
（3）配套資源豐富：每章配套PPT課件、微課視頻、隨堂測(cè)試、擴(kuò)展閱讀等內(nèi)容，便于課堂學(xué)習(xí)和課后自學(xué)。
（4）資源開放共享：總結(jié)和復(fù)習(xí)、部分思考題和練習(xí)題解答、參考文獻(xiàn)、PPT課件、微課視頻、隨堂測(cè)試等資源均已電子化，掃描對(duì)應(yīng)二維碼即可下載。
圖像工程——中冊(cè):圖像分析(第5版) 內(nèi)容簡介
本書為《圖像工程》第5版的中冊(cè)，主要介紹圖像工程的第二層次———圖像分析基本概念、基本原理、典型方法、實(shí)用技術(shù)以及國際上有關(guān)研究的新成果。 本書第1章是緒論，介紹圖像分析基礎(chǔ)并概述全書。圖像分析的主要內(nèi)容分別在4個(gè)單元中介紹。第1單元（包含第2~5章）介紹圖像分割技術(shù)；其中第2章介紹圖像分割的基礎(chǔ)知識(shí)和基本方法，第3章介紹一些典型的圖像分割技術(shù)，第4章介紹對(duì)基本分割技術(shù)的推廣，第5章介紹對(duì)圖像分割的評(píng)價(jià)研究。第2單元（包含第6~9章）介紹對(duì)分割出目標(biāo)的表達(dá)描述技術(shù)，其中第6章介紹目標(biāo)表達(dá)技術(shù)，第7章介紹目標(biāo)描述技術(shù)，第8章介紹對(duì)目標(biāo)顯著性的檢測(cè)和描述技術(shù)，第9章介紹進(jìn)一步的特征測(cè)量和誤差分析內(nèi)容。第3單元（包含第10~13章）介紹目標(biāo)特性分析技術(shù)，其中第10章介紹紋理分析技術(shù)，第11章介紹形狀分析技術(shù)，第12章介紹運(yùn)動(dòng)分析技術(shù)，第13章介紹目標(biāo)屬性的含義及其應(yīng)用。第4單元（包含第14~16章）介紹一些相關(guān)的數(shù)學(xué)工具，其中第14章介紹二值數(shù)學(xué)形態(tài)學(xué)，第15章介紹灰度數(shù)學(xué)形態(tài)學(xué)，第16章介紹圖像模式識(shí)別原理和方法。書中的附錄 A 介紹了人臉和表情識(shí)別的原理和技術(shù)，主要與第16章相關(guān)。 本書可作為高等院校信號(hào)與信息處理、通信與信息系統(tǒng)、電子與通信工程、模式識(shí)別與智能系統(tǒng)、計(jì)算機(jī)視覺等本科和研究生專業(yè)基礎(chǔ)課或?qū)I(yè)課教材，也可供信息與通信工程、電子科學(xué)與技術(shù)、計(jì)算機(jī)科學(xué)與技術(shù)、測(cè)控技術(shù)與儀器、機(jī)器人自動(dòng)化、生物醫(yī)學(xué)工程、光學(xué)、電子醫(yī)療設(shè)備研制、遙感、測(cè)繪和軍事偵察等領(lǐng)域的科技工作者參考。
圖像工程——中冊(cè):圖像分析(第5版) 目錄
第1章緒論
1．1圖像和圖像工程
1．1．1圖像基礎(chǔ)
1．1．2圖像工程
1．2圖像分析概論
1．2．1圖像分析的定義和研究
內(nèi)容 1．2．2圖像分析系統(tǒng) 1．3圖像分析中的數(shù)字化 1．3．1離散距離 1．3．2連通組元 1．3．3數(shù)字化模型 1．3．4數(shù)字弧和數(shù)字弦 1．4距離變換 1．4．1定義和性質(zhì) 1．4．2局部距離的計(jì)算 1．4．3距離變換的實(shí)現(xiàn) 1．5內(nèi)容框架和特點(diǎn) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第1單元圖 像 分 割 第2章圖像分割基礎(chǔ) 2．1圖像分割定義和技術(shù)分類 2．2并行邊界技術(shù) 2．2．1邊緣及檢測(cè)原理 2．2．2正交梯度算子 2．2．3方向微分算子 2．2．4二階導(dǎo)數(shù)算子 2．2．5邊界閉合 2．3串行邊界技術(shù) 2．3．1主動(dòng)輪廓模型 2．3．2能量函數(shù) 2．4并行區(qū)域技術(shù) 2．4．1原理和分類 2．4．2依賴像素的閾值
選取 2．4．3依賴區(qū)域的閾值
選取 2．4．4依賴坐標(biāo)的閾值
選取 2．4．5空間聚類 2．5串行區(qū)域技術(shù) 2．5．1區(qū)域生長 2．5．2分裂合并 2．6基于深度學(xué)習(xí)的分割方法
分類 2．7全景分割 2．7．1全景分割流程 2．7．2語義分割 2．7．3實(shí)例分割 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第3章典型分割算法 3．1興趣點(diǎn)檢測(cè) 3．1．1二階導(dǎo)數(shù)檢測(cè)角點(diǎn) 3．1．2*小核同值區(qū)算子 3．1．3哈里斯興趣點(diǎn)算子 3．2圖割方法 3．3特色的閾值化和聚類技術(shù) 3．3．1多分辨率閾值選取 3．3．2借助過渡區(qū)選擇
閾值 3．3．3借助均移方法確定
聚類 3．4分水嶺分割算法 3．4．1基本原理和步驟 3．4．2算法改進(jìn)和擴(kuò)展 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第4章分割技術(shù)擴(kuò)展 4．1從像素單元到目標(biāo)單元 4．1．1像素和目標(biāo)之間的
單元 4．1．2橢圓目標(biāo)檢測(cè) 4．2從哈夫變換到完整廣義哈夫
變換 4．2．1哈夫變換 4．2．2廣義哈夫變換原理 4．2．3完整廣義哈夫變換 4．3從像素精度到亞像素精度 4．3．1基于矩保持的技術(shù) 4．3．2利用一階微分期望值
的技術(shù) 4．3．3借助切線信息的
技術(shù) 4．4從2D圖像到3D圖像 4．4．13D邊緣檢測(cè) 4．4．23D圖像閾值化 4．5從灰度圖像到彩色圖像 4．5．1分割不同定義的
區(qū)域 4．5．2彩色圖像分割
策略 4．6面向醫(yī)學(xué)圖像的分割 4．6．1醫(yī)學(xué)圖像分割算法
概述 4．6．2交互式水平集胸主動(dòng)脈
圖像分割 4．6．3用于醫(yī)學(xué)圖像分割的
UNet網(wǎng)絡(luò) 4．6．4醫(yī)學(xué)圖像標(biāo)記數(shù)據(jù)的
解決方案 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第5章分割評(píng)價(jià)比較 5．1分割評(píng)價(jià)研究分類 5．2分割算法評(píng)價(jià)框架 5．3分割評(píng)價(jià)的準(zhǔn)則 5．3．1分析法準(zhǔn)則 5．3．2優(yōu)度試驗(yàn)法準(zhǔn)則 5．3．3差異試驗(yàn)法準(zhǔn)則 5．4分割算法評(píng)價(jià)實(shí)例 5．4．1實(shí)驗(yàn)算法和圖像 5．4．2實(shí)驗(yàn)結(jié)果和討論 5．5評(píng)價(jià)方法和準(zhǔn)則比較 5．5．1方法討論和對(duì)比 5．5．2準(zhǔn)則的分析比較 5．5．3準(zhǔn)則的實(shí)驗(yàn)比較 5．6分割評(píng)價(jià)的進(jìn)展 5．6．1分割算法的評(píng)估 5．6．2像素分類的評(píng)價(jià)
準(zhǔn)則 5．6．3全景分割的評(píng)價(jià) 5．7基于評(píng)價(jià)的算法優(yōu)選系統(tǒng) 5．7．1算法優(yōu)選思想和
策略 5．7．2優(yōu)選系統(tǒng)的實(shí)現(xiàn)和
效果 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第2單元表 達(dá) 描 述 第6章目標(biāo)表達(dá) 6．1基于邊界的表達(dá) 6．1．1技術(shù)分類 6．1．2鏈碼 6．1．3邊界段 6．1．4邊界標(biāo)志 6．1．5多邊形逼近 6．1．6地標(biāo)點(diǎn) 6．2基于區(qū)域的表達(dá) 6．2．1技術(shù)分類 6．2．2空間占有數(shù)組 6．2．3四叉樹 6．2．4金字塔 6．2．5圍繞區(qū)域 6．2．6骨架 6．3基于變換的表達(dá) 6．3．1技術(shù)分類 6．3．2傅里葉變換表達(dá) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第7章目標(biāo)描述 7．1基于邊界的描述 7．1．1簡單邊界描述符 7．1．2形狀數(shù) 7．1．3邊界矩 7．2基于區(qū)域的描述 7．2．1簡單區(qū)域描述符 7．2．2拓?fù)涿枋龇?7．2．3區(qū)域不變矩 7．3對(duì)目標(biāo)關(guān)系的描述 7．3．1目標(biāo)標(biāo)記和計(jì)數(shù) 7．3．2點(diǎn)目標(biāo)的分布 7．3．3字符串描述 7．3．4樹結(jié)構(gòu)描述 7．3．5空間關(guān)系數(shù)據(jù)集 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第8章目標(biāo)顯著性 8．1顯著性概述 8．2顯著性檢測(cè) 8．2．1方法分類 8．2．2檢測(cè)流程 8．3顯著區(qū)域分割提取 8．3．1基于對(duì)比度幅值 8．3．2基于對(duì)比度分布 8．3．3基于*小方向?qū)?br />比度 8．3．4顯著目標(biāo)分割和
評(píng)價(jià) 8．4基于背景先驗(yàn)提取顯著性
區(qū)域 8．4．1相似距離 8．4．2*小柵欄距離的近似
計(jì)算 8．4．3流水驅(qū)動(dòng)的顯著性區(qū)
域檢測(cè) 8．4．4定位目標(biāo)建議區(qū)域 8．5基于*穩(wěn)定區(qū)域提取顯著性
區(qū)域 8．6結(jié)合各種特征的顯著性
檢測(cè) 8．6．1低秩背景約束和多線索
傳播 8．6．2邊界連通性和局部對(duì)
比度 8．7特定類型圖像的顯著性
檢測(cè) 8．7．1RGBD視頻 8．7．2光場(chǎng)圖像 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第9章測(cè)量和誤差分析 9．1直接測(cè)度和間接測(cè)度 9．2需區(qū)別的術(shù)語 9．2．1準(zhǔn)確性和精確性 9．2．2模型假設(shè)和實(shí)際
觀察 9．2．34連通和8連通 9．3影響測(cè)量誤差的因素 9．3．1誤差來源 9．3．2光學(xué)鏡頭分辨率 9．3．3采樣密度 9．3．4分割算法 9．3．5特征計(jì)算公式 9．3．6綜合影響 9．3．7隨機(jī)樣本共識(shí) 9．4誤差分析 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第3單元特 性 分 析 第10章紋理分析 10．1紋理研究概況 10．2紋理描述的統(tǒng)計(jì)方法 10．2．1灰度共生矩陣 10．2．2基于灰度共生矩陣的
紋理描述符 10．2．3基于能量的紋理描
述符 10．3紋理描述的結(jié)構(gòu)方法 10．3．1結(jié)構(gòu)描述法
基礎(chǔ) 10．3．2紋理鑲嵌 10．3．3局部二值模式 10．3．4完全局部二值
模式 10．4紋理描述的頻譜方法 10．4．1傅里葉頻譜 10．4．2蓋伯頻譜 10．5一種紋理分類合成方法 10．6紋理分割 10．6．1有監(jiān)督紋理
分割 10．6．2無監(jiān)督紋理
分割 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第11章形狀分析 11．1形狀定義和研究 11．2平面形狀分類 11．3形狀描述方法分類 11．4基于形狀特性的描述 11．4．1形狀緊湊性
描述 11．4．2形狀復(fù)雜性
描述 11．5基于特定技術(shù)的描述 11．5．1基于多邊形的描
述符 11．5．2基于離散曲率的
描述符 11．6拓?fù)浣Y(jié)構(gòu)的描述 11．7分形維數(shù) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第12章運(yùn)動(dòng)分析 12．1運(yùn)動(dòng)研究內(nèi)容 12．2運(yùn)動(dòng)目標(biāo)檢測(cè) 12．2．1背景建模 12．2．2光流場(chǎng) 12．2．3特定運(yùn)動(dòng)模式的
檢測(cè) 12．3運(yùn)動(dòng)目標(biāo)分割 12．3．1目標(biāo)分割和運(yùn)動(dòng)
信息提取 12．3．2分割方法分類 12．3．3稠密光流算法 12．3．4基于參數(shù)和模型的
分割 12．3．5融合多尺度上下文與
時(shí)間信息 12．3．6結(jié)合ROI預(yù)測(cè)和參考
幀更新 12．4運(yùn)動(dòng)目標(biāo)跟蹤 12．4．1典型技術(shù) 12．4．2尺度非各向同性的
均移 12．4．3均移結(jié)合粒子濾
波器 12．4．4子序列決策
策略 12．5移動(dòng)陰影檢測(cè) 12．5．1算法流程圖 12．5．2前景檢測(cè) 12．5．3特征模板提取 12．5．4顏色模板的
判斷 12．5．5提取目標(biāo)像素并
抑制陰影 12．5．6獲取完整目標(biāo)
區(qū)域 12．6基于孿生網(wǎng)絡(luò)的目標(biāo)
跟蹤 12．6．1引導(dǎo)錨定區(qū)域推薦
網(wǎng)絡(luò) 12．6．2無錨框全卷積孿生跟
蹤器 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第13章屬性分析 13．1屬性描述概況 13．1．1屬性的類型 13．1．2屬性的層次 13．1．3屬性學(xué)習(xí)結(jié)構(gòu)和
框架 13．2屬性學(xué)習(xí)中的特征比較 13．3視覺屬性和零樣本學(xué)習(xí) 13．3．1基于屬性的零樣本
學(xué)習(xí) 13．3．2零樣本語義自編
碼器 13．3．3零樣本屬性
識(shí)別 13．4基于屬性的行人再識(shí)別 13．4．1借助行人屬性先驗(yàn)分
布的方法 13．4．2借助對(duì)行人屬性分級(jí)
的方法 13．4．3結(jié)合全身和部件屬性
的方法 13．4．4跨模態(tài)異構(gòu)行人再
識(shí)別 13．5圖像屬性應(yīng)用示例 13．5．1跨類目標(biāo)分類 13．5．2屬性學(xué)習(xí)和目標(biāo)
識(shí)別 13．5．3基于局部動(dòng)作屬性
的動(dòng)作分類 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第4單元數(shù) 學(xué) 工 具 第14章二值數(shù)學(xué)形態(tài)學(xué) 14．1基本集合定義 14．2二值形態(tài)學(xué)基本運(yùn)算 14．2．1二值膨脹和
腐蝕 14．2．2二值開啟和
閉合 14．2．3二值基本運(yùn)算
性質(zhì) 14．3二值形態(tài)學(xué)組合運(yùn)算 14．3．1擊中擊不中
變換 14．3．2二值組合運(yùn)算 14．4二值形態(tài)學(xué)實(shí)用算法 14．5形態(tài)學(xué)算子及其應(yīng)用
領(lǐng)域 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第15章灰度數(shù)學(xué)形態(tài)學(xué) 15．1灰度圖像的排序 15．2灰度形態(tài)學(xué)基本運(yùn)算 15．2．1灰度膨脹和
腐蝕 15．2．2灰度開啟和
閉合 15．2．3灰度基本運(yùn)算
性質(zhì) 15．3灰度形態(tài)學(xué)組合運(yùn)算 15．3．1形態(tài)濾波 15．3．2高帽變換和低帽
變換 15．4灰度形態(tài)學(xué)實(shí)用算法 15．4．1背景估計(jì)和
消除 15．4．2目標(biāo)分割 15．5結(jié)構(gòu)元素中的屬性修改 15．5．1純像素指標(biāo) 15．5．2形態(tài)偏心指標(biāo) 15．5．3自動(dòng)形態(tài)學(xué)端元
提取 15．5．4將PPI嵌入
AMEE 15．6圖像代數(shù) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第16章圖像識(shí)別 16．1模式和分類 16．2不變量交叉比 16．2．1交叉比 16．2．2非共線點(diǎn)的不
變量 16．2．3對(duì)稱的交叉比
函數(shù) 16．2．4交叉比應(yīng)用示例 16．3統(tǒng)計(jì)模式識(shí)別 16．3．1*小距離分
類器 16．3．2*優(yōu)統(tǒng)計(jì)分
類器 16．3．3自適應(yīng)自舉 16．4感知機(jī)和支持向量機(jī) 16．4．1感知機(jī) 16．4．2支持向量機(jī) 16．5結(jié)構(gòu)模式識(shí)別 16．5．1字符串結(jié)構(gòu)
識(shí)別 16．5．2樹結(jié)構(gòu)識(shí)別 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 附錄A人臉和表情識(shí)別 A．1生物特征識(shí)別 A．2人臉檢測(cè)定位 A．2．1基本方法 A．2．2基于豪斯道夫距離
的方法 A．3人臉活體檢測(cè) A．3．1人臉欺騙 A．3．2交互式和非交互式
方法 A．3．3人臉反欺騙技術(shù)
分類 A．4眼睛檢測(cè)和跟蹤 A．4．1眼睛幾何模型及
確定 A．4．2眨眼過程中的眼睛
輪廓跟蹤 A．5人臉識(shí)別 A．5．1邊緣本征矢量加權(quán)
方法 A．5．2相關(guān)濾波器
設(shè)計(jì) A．5．3監(jiān)督線性降維 A．5．4非特定表情人臉
識(shí)別 A．5．5遮擋人臉識(shí)別 A．6表情識(shí)別 A．6．1表情識(shí)別和
步驟 A．6．2人臉表情特征
提取 A．6．3基于蓋伯變換的
特征提取 A．6．4表情特征的稀疏
表達(dá) A．6．5表情分類 A．6．6基于高階奇異值分解
的分類 A．6．7矢量輸入多類輸出表
情分類 A．6．8微表情識(shí)別
主題索引 部分思考題和練習(xí)題解答* 參考文獻(xiàn)*
內(nèi)容 1．2．2圖像分析系統(tǒng) 1．3圖像分析中的數(shù)字化 1．3．1離散距離 1．3．2連通組元 1．3．3數(shù)字化模型 1．3．4數(shù)字弧和數(shù)字弦 1．4距離變換 1．4．1定義和性質(zhì) 1．4．2局部距離的計(jì)算 1．4．3距離變換的實(shí)現(xiàn) 1．5內(nèi)容框架和特點(diǎn) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第1單元圖 像 分 割 第2章圖像分割基礎(chǔ) 2．1圖像分割定義和技術(shù)分類 2．2并行邊界技術(shù) 2．2．1邊緣及檢測(cè)原理 2．2．2正交梯度算子 2．2．3方向微分算子 2．2．4二階導(dǎo)數(shù)算子 2．2．5邊界閉合 2．3串行邊界技術(shù) 2．3．1主動(dòng)輪廓模型 2．3．2能量函數(shù) 2．4并行區(qū)域技術(shù) 2．4．1原理和分類 2．4．2依賴像素的閾值
選取 2．4．3依賴區(qū)域的閾值
選取 2．4．4依賴坐標(biāo)的閾值
選取 2．4．5空間聚類 2．5串行區(qū)域技術(shù) 2．5．1區(qū)域生長 2．5．2分裂合并 2．6基于深度學(xué)習(xí)的分割方法
分類 2．7全景分割 2．7．1全景分割流程 2．7．2語義分割 2．7．3實(shí)例分割 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第3章典型分割算法 3．1興趣點(diǎn)檢測(cè) 3．1．1二階導(dǎo)數(shù)檢測(cè)角點(diǎn) 3．1．2*小核同值區(qū)算子 3．1．3哈里斯興趣點(diǎn)算子 3．2圖割方法 3．3特色的閾值化和聚類技術(shù) 3．3．1多分辨率閾值選取 3．3．2借助過渡區(qū)選擇
閾值 3．3．3借助均移方法確定
聚類 3．4分水嶺分割算法 3．4．1基本原理和步驟 3．4．2算法改進(jìn)和擴(kuò)展 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第4章分割技術(shù)擴(kuò)展 4．1從像素單元到目標(biāo)單元 4．1．1像素和目標(biāo)之間的
單元 4．1．2橢圓目標(biāo)檢測(cè) 4．2從哈夫變換到完整廣義哈夫
變換 4．2．1哈夫變換 4．2．2廣義哈夫變換原理 4．2．3完整廣義哈夫變換 4．3從像素精度到亞像素精度 4．3．1基于矩保持的技術(shù) 4．3．2利用一階微分期望值
的技術(shù) 4．3．3借助切線信息的
技術(shù) 4．4從2D圖像到3D圖像 4．4．13D邊緣檢測(cè) 4．4．23D圖像閾值化 4．5從灰度圖像到彩色圖像 4．5．1分割不同定義的
區(qū)域 4．5．2彩色圖像分割
策略 4．6面向醫(yī)學(xué)圖像的分割 4．6．1醫(yī)學(xué)圖像分割算法
概述 4．6．2交互式水平集胸主動(dòng)脈
圖像分割 4．6．3用于醫(yī)學(xué)圖像分割的
UNet網(wǎng)絡(luò) 4．6．4醫(yī)學(xué)圖像標(biāo)記數(shù)據(jù)的
解決方案 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第5章分割評(píng)價(jià)比較 5．1分割評(píng)價(jià)研究分類 5．2分割算法評(píng)價(jià)框架 5．3分割評(píng)價(jià)的準(zhǔn)則 5．3．1分析法準(zhǔn)則 5．3．2優(yōu)度試驗(yàn)法準(zhǔn)則 5．3．3差異試驗(yàn)法準(zhǔn)則 5．4分割算法評(píng)價(jià)實(shí)例 5．4．1實(shí)驗(yàn)算法和圖像 5．4．2實(shí)驗(yàn)結(jié)果和討論 5．5評(píng)價(jià)方法和準(zhǔn)則比較 5．5．1方法討論和對(duì)比 5．5．2準(zhǔn)則的分析比較 5．5．3準(zhǔn)則的實(shí)驗(yàn)比較 5．6分割評(píng)價(jià)的進(jìn)展 5．6．1分割算法的評(píng)估 5．6．2像素分類的評(píng)價(jià)
準(zhǔn)則 5．6．3全景分割的評(píng)價(jià) 5．7基于評(píng)價(jià)的算法優(yōu)選系統(tǒng) 5．7．1算法優(yōu)選思想和
策略 5．7．2優(yōu)選系統(tǒng)的實(shí)現(xiàn)和
效果 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第2單元表 達(dá) 描 述 第6章目標(biāo)表達(dá) 6．1基于邊界的表達(dá) 6．1．1技術(shù)分類 6．1．2鏈碼 6．1．3邊界段 6．1．4邊界標(biāo)志 6．1．5多邊形逼近 6．1．6地標(biāo)點(diǎn) 6．2基于區(qū)域的表達(dá) 6．2．1技術(shù)分類 6．2．2空間占有數(shù)組 6．2．3四叉樹 6．2．4金字塔 6．2．5圍繞區(qū)域 6．2．6骨架 6．3基于變換的表達(dá) 6．3．1技術(shù)分類 6．3．2傅里葉變換表達(dá) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第7章目標(biāo)描述 7．1基于邊界的描述 7．1．1簡單邊界描述符 7．1．2形狀數(shù) 7．1．3邊界矩 7．2基于區(qū)域的描述 7．2．1簡單區(qū)域描述符 7．2．2拓?fù)涿枋龇?7．2．3區(qū)域不變矩 7．3對(duì)目標(biāo)關(guān)系的描述 7．3．1目標(biāo)標(biāo)記和計(jì)數(shù) 7．3．2點(diǎn)目標(biāo)的分布 7．3．3字符串描述 7．3．4樹結(jié)構(gòu)描述 7．3．5空間關(guān)系數(shù)據(jù)集 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第8章目標(biāo)顯著性 8．1顯著性概述 8．2顯著性檢測(cè) 8．2．1方法分類 8．2．2檢測(cè)流程 8．3顯著區(qū)域分割提取 8．3．1基于對(duì)比度幅值 8．3．2基于對(duì)比度分布 8．3．3基于*小方向?qū)?br />比度 8．3．4顯著目標(biāo)分割和
評(píng)價(jià) 8．4基于背景先驗(yàn)提取顯著性
區(qū)域 8．4．1相似距離 8．4．2*小柵欄距離的近似
計(jì)算 8．4．3流水驅(qū)動(dòng)的顯著性區(qū)
域檢測(cè) 8．4．4定位目標(biāo)建議區(qū)域 8．5基于*穩(wěn)定區(qū)域提取顯著性
區(qū)域 8．6結(jié)合各種特征的顯著性
檢測(cè) 8．6．1低秩背景約束和多線索
傳播 8．6．2邊界連通性和局部對(duì)
比度 8．7特定類型圖像的顯著性
檢測(cè) 8．7．1RGBD視頻 8．7．2光場(chǎng)圖像 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第9章測(cè)量和誤差分析 9．1直接測(cè)度和間接測(cè)度 9．2需區(qū)別的術(shù)語 9．2．1準(zhǔn)確性和精確性 9．2．2模型假設(shè)和實(shí)際
觀察 9．2．34連通和8連通 9．3影響測(cè)量誤差的因素 9．3．1誤差來源 9．3．2光學(xué)鏡頭分辨率 9．3．3采樣密度 9．3．4分割算法 9．3．5特征計(jì)算公式 9．3．6綜合影響 9．3．7隨機(jī)樣本共識(shí) 9．4誤差分析 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第3單元特 性 分 析 第10章紋理分析 10．1紋理研究概況 10．2紋理描述的統(tǒng)計(jì)方法 10．2．1灰度共生矩陣 10．2．2基于灰度共生矩陣的
紋理描述符 10．2．3基于能量的紋理描
述符 10．3紋理描述的結(jié)構(gòu)方法 10．3．1結(jié)構(gòu)描述法
基礎(chǔ) 10．3．2紋理鑲嵌 10．3．3局部二值模式 10．3．4完全局部二值
模式 10．4紋理描述的頻譜方法 10．4．1傅里葉頻譜 10．4．2蓋伯頻譜 10．5一種紋理分類合成方法 10．6紋理分割 10．6．1有監(jiān)督紋理
分割 10．6．2無監(jiān)督紋理
分割 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第11章形狀分析 11．1形狀定義和研究 11．2平面形狀分類 11．3形狀描述方法分類 11．4基于形狀特性的描述 11．4．1形狀緊湊性
描述 11．4．2形狀復(fù)雜性
描述 11．5基于特定技術(shù)的描述 11．5．1基于多邊形的描
述符 11．5．2基于離散曲率的
描述符 11．6拓?fù)浣Y(jié)構(gòu)的描述 11．7分形維數(shù) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第12章運(yùn)動(dòng)分析 12．1運(yùn)動(dòng)研究內(nèi)容 12．2運(yùn)動(dòng)目標(biāo)檢測(cè) 12．2．1背景建模 12．2．2光流場(chǎng) 12．2．3特定運(yùn)動(dòng)模式的
檢測(cè) 12．3運(yùn)動(dòng)目標(biāo)分割 12．3．1目標(biāo)分割和運(yùn)動(dòng)
信息提取 12．3．2分割方法分類 12．3．3稠密光流算法 12．3．4基于參數(shù)和模型的
分割 12．3．5融合多尺度上下文與
時(shí)間信息 12．3．6結(jié)合ROI預(yù)測(cè)和參考
幀更新 12．4運(yùn)動(dòng)目標(biāo)跟蹤 12．4．1典型技術(shù) 12．4．2尺度非各向同性的
均移 12．4．3均移結(jié)合粒子濾
波器 12．4．4子序列決策
策略 12．5移動(dòng)陰影檢測(cè) 12．5．1算法流程圖 12．5．2前景檢測(cè) 12．5．3特征模板提取 12．5．4顏色模板的
判斷 12．5．5提取目標(biāo)像素并
抑制陰影 12．5．6獲取完整目標(biāo)
區(qū)域 12．6基于孿生網(wǎng)絡(luò)的目標(biāo)
跟蹤 12．6．1引導(dǎo)錨定區(qū)域推薦
網(wǎng)絡(luò) 12．6．2無錨框全卷積孿生跟
蹤器 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第13章屬性分析 13．1屬性描述概況 13．1．1屬性的類型 13．1．2屬性的層次 13．1．3屬性學(xué)習(xí)結(jié)構(gòu)和
框架 13．2屬性學(xué)習(xí)中的特征比較 13．3視覺屬性和零樣本學(xué)習(xí) 13．3．1基于屬性的零樣本
學(xué)習(xí) 13．3．2零樣本語義自編
碼器 13．3．3零樣本屬性
識(shí)別 13．4基于屬性的行人再識(shí)別 13．4．1借助行人屬性先驗(yàn)分
布的方法 13．4．2借助對(duì)行人屬性分級(jí)
的方法 13．4．3結(jié)合全身和部件屬性
的方法 13．4．4跨模態(tài)異構(gòu)行人再
識(shí)別 13．5圖像屬性應(yīng)用示例 13．5．1跨類目標(biāo)分類 13．5．2屬性學(xué)習(xí)和目標(biāo)
識(shí)別 13．5．3基于局部動(dòng)作屬性
的動(dòng)作分類 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第4單元數(shù) 學(xué) 工 具 第14章二值數(shù)學(xué)形態(tài)學(xué) 14．1基本集合定義 14．2二值形態(tài)學(xué)基本運(yùn)算 14．2．1二值膨脹和
腐蝕 14．2．2二值開啟和
閉合 14．2．3二值基本運(yùn)算
性質(zhì) 14．3二值形態(tài)學(xué)組合運(yùn)算 14．3．1擊中擊不中
變換 14．3．2二值組合運(yùn)算 14．4二值形態(tài)學(xué)實(shí)用算法 14．5形態(tài)學(xué)算子及其應(yīng)用
領(lǐng)域 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第15章灰度數(shù)學(xué)形態(tài)學(xué) 15．1灰度圖像的排序 15．2灰度形態(tài)學(xué)基本運(yùn)算 15．2．1灰度膨脹和
腐蝕 15．2．2灰度開啟和
閉合 15．2．3灰度基本運(yùn)算
性質(zhì) 15．3灰度形態(tài)學(xué)組合運(yùn)算 15．3．1形態(tài)濾波 15．3．2高帽變換和低帽
變換 15．4灰度形態(tài)學(xué)實(shí)用算法 15．4．1背景估計(jì)和
消除 15．4．2目標(biāo)分割 15．5結(jié)構(gòu)元素中的屬性修改 15．5．1純像素指標(biāo) 15．5．2形態(tài)偏心指標(biāo) 15．5．3自動(dòng)形態(tài)學(xué)端元
提取 15．5．4將PPI嵌入
AMEE 15．6圖像代數(shù) 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 第16章圖像識(shí)別 16．1模式和分類 16．2不變量交叉比 16．2．1交叉比 16．2．2非共線點(diǎn)的不
變量 16．2．3對(duì)稱的交叉比
函數(shù) 16．2．4交叉比應(yīng)用示例 16．3統(tǒng)計(jì)模式識(shí)別 16．3．1*小距離分
類器 16．3．2*優(yōu)統(tǒng)計(jì)分
類器 16．3．3自適應(yīng)自舉 16．4感知機(jī)和支持向量機(jī) 16．4．1感知機(jī) 16．4．2支持向量機(jī) 16．5結(jié)構(gòu)模式識(shí)別 16．5．1字符串結(jié)構(gòu)
識(shí)別 16．5．2樹結(jié)構(gòu)識(shí)別 總結(jié)和復(fù)習(xí)* 隨堂測(cè)試* 附錄A人臉和表情識(shí)別 A．1生物特征識(shí)別 A．2人臉檢測(cè)定位 A．2．1基本方法 A．2．2基于豪斯道夫距離
的方法 A．3人臉活體檢測(cè) A．3．1人臉欺騙 A．3．2交互式和非交互式
方法 A．3．3人臉反欺騙技術(shù)
分類 A．4眼睛檢測(cè)和跟蹤 A．4．1眼睛幾何模型及
確定 A．4．2眨眼過程中的眼睛
輪廓跟蹤 A．5人臉識(shí)別 A．5．1邊緣本征矢量加權(quán)
方法 A．5．2相關(guān)濾波器
設(shè)計(jì) A．5．3監(jiān)督線性降維 A．5．4非特定表情人臉
識(shí)別 A．5．5遮擋人臉識(shí)別 A．6表情識(shí)別 A．6．1表情識(shí)別和
步驟 A．6．2人臉表情特征
提取 A．6．3基于蓋伯變換的
特征提取 A．6．4表情特征的稀疏
表達(dá) A．6．5表情分類 A．6．6基于高階奇異值分解
的分類 A．6．7矢量輸入多類輸出表
情分類 A．6．8微表情識(shí)別
主題索引 部分思考題和練習(xí)題解答* 參考文獻(xiàn)*
展開全部
圖像工程——中冊(cè):圖像分析(第5版) 作者簡介
章毓晉，1989年獲比利時(shí)列日大學(xué)應(yīng)用科學(xué)博士學(xué)位。1989—1993年為荷蘭德爾夫特大學(xué)博士后及研究人員。1993年到中國北京清華大學(xué)工作，1997年被聘為教授，1998年被評(píng)為博士生導(dǎo)師。2014年成為教學(xué)科研系列長聘教授。2003年學(xué)術(shù)休假期間同時(shí)被聘為新加坡南洋理工大學(xué)訪問教授。 在清華大學(xué)，先后開出并講授10多門本科生和研究生課程。在南洋理工大學(xué)，開出并講授過研究生課程：“現(xiàn)代圖像分析（英語）”。已編寫出版了圖像工程系列教材第1版、第2版、第3版和第4版，以及其他中英文圖像工程教材約20本，還翻譯出版了多本國外圖像工程教材。已在國內(nèi)外發(fā)表了30多篇教學(xué)研究論文。 主要科學(xué)研究領(lǐng)域?yàn)槠浞e極倡導(dǎo)的圖像工程（圖像處理、圖像分析、圖像理解及其技術(shù)應(yīng)用）和相關(guān)學(xué)科。從1996年起已連續(xù)二十八年對(duì)中國圖像工程的研究及主要文獻(xiàn)進(jìn)行了系統(tǒng)的年度分類總結(jié)綜述。已在國內(nèi)外發(fā)表了500多篇圖像工程研究論文，出版了專著《圖象分割》，《基于內(nèi)容的視覺信息檢索》，《基于子空間的人臉識(shí)別》，編著了《英漢圖像工程辭典》（第1版和第2版）和《圖像工程技術(shù)選編》，主編了《Advances in Image and Video Segmentation》，《Semantic-Based Visual Information Retrieval》，《Advances in Face Image Analysis: Techniques and Technologies》。
現(xiàn)為中國圖象圖形學(xué)學(xué)會(huì)名譽(yù)監(jiān)事長，會(huì)士；國際光學(xué)工程協(xié)會(huì)（SPIE）會(huì)士（因在圖像工程方面的成就）。
書友推薦
- >
月亮虎
- >
史學(xué)評(píng)論
- >
羅曼·羅蘭讀書隨筆-精裝
- >
小考拉的故事-套裝共3冊(cè)
- >
推拿
- >
名家?guī)阕x魯迅:故事新編
- >
姑媽的寶刀
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
