圖像工程·中冊：圖像分析（第4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)

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

總結(jié)和復(fù)習(xí)


第3章典型分割算法

3.1興趣點(diǎn)檢測

3.1.1二階導(dǎo)數(shù)檢測角點(diǎn)

3.1.2最小核同值區(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)


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

4.2從哈夫變換到廣義哈夫變換

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2D圖像到3D圖像

4.4.13D邊緣檢測

4.4.23D圖像閾值化

4.5從灰度圖像到彩色圖像

4.5.1彩色空間的選擇

4.5.2彩色圖像分割策略

總結(jié)和復(fù)習(xí)


第5章分割評價比較

5.1分割評價研究分類

5.2分割算法評價框架

5.3分割評價的準(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分割算法評價示例

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評價方法和準(zhǔn)則比較

5.5.1方法討論和對比

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基于評價的算法優(yōu)選系統(tǒng)

5.6.1算法優(yōu)選思想和策略

5.6.2優(yōu)選系統(tǒng)的實(shí)現(xiàn)和效果

總結(jié)和復(fù)習(xí)

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

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)


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?br />
7.2.3區(qū)域不變矩

7.3對目標(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

總結(jié)和復(fù)習(xí)


第8章測量和誤差分析

8.1直接測度和間接測度

8.2需區(qū)別的術(shù)語

8.2.1準(zhǔn)確性和精確性

8.2.2模型假設(shè)和實(shí)際觀察

8.2.34連通和8連通

8.3影響測量誤差的因素

8.3.1誤差來源

8.3.2光學(xué)鏡頭分辨率

8.3.3采樣密度

8.3.4分割算法

8.3.5特征計(jì)算公式

8.3.6綜合影響

8.3.7隨機(jī)樣本共識

8.4誤差分析

總結(jié)和復(fù)習(xí)

第3單元特 性 分 析

第9章紋理分析

9.1紋理研究概況

9.2紋理描述的統(tǒng)計(jì)方法

9.2.1灰度共生矩陣

9.2.2基于共生矩陣的紋理描述符

9.2.3基于能量的紋理描述符

9.3紋理描述的結(jié)構(gòu)方法

9.3.1結(jié)構(gòu)描述法基礎(chǔ)

9.3.2紋理鑲嵌

9.3.3局部二值模式

9.4紋理描述的頻譜方法

9.4.1傅里葉頻譜

9.4.2蓋伯頻譜

9.5一種紋理分類合成方法

9.6紋理分割

9.6.1有監(jiān)督紋理分割

9.6.2無監(jiān)督紋理分割

總結(jié)和復(fù)習(xí)


第10章形狀分析

10.1形狀定義和研究

10.2平面形狀的分類

10.3形狀特性的描述

10.3.1形狀緊湊性描述

10.3.2形狀復(fù)雜性描述

10.4基于技術(shù)的描述

10.4.1基于多邊形的描述符

10.4.2基于離散曲率的描述符

10.5拓?fù)浣Y(jié)構(gòu)的描述

10.6分形維數(shù)

總結(jié)和復(fù)習(xí)


第11章運(yùn)動分析

11.1運(yùn)動研究內(nèi)容

11.2運(yùn)動目標(biāo)檢測

11.2.1背景建模

11.2.2光流場

11.2.3特定運(yùn)動模式的檢測

11.3運(yùn)動目標(biāo)分割

11.3.1目標(biāo)分割和運(yùn)動信息提取

11.3.2稠密光流算法

11.3.3基于參數(shù)和模型的分割

11.4運(yùn)動目標(biāo)跟蹤

11.4.1典型技術(shù)

11.4.2子序列決策策略

總結(jié)和復(fù)習(xí)


第12章顯著性和屬性

12.1顯著性概述

12.2顯著性檢測

12.3顯著區(qū)域分割提取

12.3.1基于對比度幅值

12.3.2基于對比度分布

12.3.3基于最小方向?qū)Ρ榷?br />
12.3.4顯著目標(biāo)分割和評價

12.4屬性描述概況

12.5屬性提取中的特征比較

12.6屬性應(yīng)用

12.6.1跨類目標(biāo)分類

12.6.2屬性學(xué)習(xí)和目標(biāo)識別

12.6.3基于局部動作屬性的動作分類

總結(jié)和復(fù)習(xí)

第4單元數(shù) 學(xué) 工 具

第13章數(shù)學(xué)形態(tài)學(xué)：二值

13.1基本集合定義

13.2二值形態(tài)學(xué)基本運(yùn)算

13.2.1二值膨脹和腐蝕

13.2.2二值開啟和閉合

13.2.3二值基本運(yùn)算性質(zhì)

13.3二值形態(tài)學(xué)組合運(yùn)算

13.3.1擊中擊不中變換

13.3.2二值組合運(yùn)算

13.4二值形態(tài)學(xué)實(shí)用算法

總結(jié)和復(fù)習(xí)


第14章數(shù)學(xué)形態(tài)學(xué)：灰度

14.1灰度圖像的排序

14.2灰度形態(tài)學(xué)基本運(yùn)算

14.2.1灰度膨脹和腐蝕

14.2.2灰度開啟和閉合

14.2.3灰度基本運(yùn)算性質(zhì)

14.3灰度形態(tài)學(xué)組合運(yùn)算

14.4灰度形態(tài)學(xué)實(shí)用算法

14.5圖像代數(shù)

總結(jié)和復(fù)習(xí)


第15章圖像識別

15.1模式和分類

15.2不變量交叉比

15.2.1交叉比

15.2.2非共線點(diǎn)的不變量

15.2.3對稱的交叉比函數(shù)

15.2.4交叉比應(yīng)用示例

15.3統(tǒng)計(jì)模式識別

15.3.1最小距離分類器

15.3.2最優(yōu)統(tǒng)計(jì)分類器

15.3.3自適應(yīng)自舉

15.4感知機(jī)和支持向量機(jī)

15.4.1感知機(jī)

15.4.2支持向量機(jī)

15.5結(jié)構(gòu)模式識別

15.5.1字符串結(jié)構(gòu)識別

15.5.2樹結(jié)構(gòu)識別

總結(jié)和復(fù)習(xí)


附錄A人臉和表情識別

A.1生物特征識別

A.2人臉檢測定位

A.2.1基本方法

A.2.2基于豪斯道夫距離的方法

A.3臉部器官提取和跟蹤

A.3.1眼睛幾何模型及確定

A.3.2眨眼過程中的眼睛輪廓跟蹤

A.4表情識別

A.4.1表情識別和步驟

A.4.2表情特征提取

A.4.3基于蓋伯變換的特征提取

A.4.4表情分類

A.4.5基于高階奇異值分解的分類

A.5人臉識別

A.5.1邊緣本征矢量加權(quán)方法

A.5.2非特定表情人臉識別

部分思考題和練習(xí)題解答

參考文獻(xiàn)

主題索引