圖像理解理論與方法

前言

　　圖像理解是近年來的熱點研究領(lǐng)域，它是一門覆蓋范圍很廣的綜合性交叉學(xué)科，涉及圖像工程、計算機(jī)視覺、人工智能和認(rèn)知學(xué)等諸多學(xué)科領(lǐng)域，在目標(biāo)識別及解釋和圖像與視頻檢索等方面有著廣闊的應(yīng)用前景。　　《圖像理解理論與方法》的總體編寫思路：給出圖像理解的定義及框架，并將其與圖像工程、人工智能的相關(guān)方法有機(jī)結(jié)合起來，逐步闡述圖像理解的理論方法；以圖像理解的研究內(nèi)容為導(dǎo)向，詳細(xì)介紹圖像理解的方法，以及圖像理解系統(tǒng)必不可少的開發(fā)環(huán)境和圖像數(shù)據(jù)機(jī)?；谶@一編寫思路，《圖像理解理論與方法》介紹了數(shù)據(jù)／知識驅(qū)動方式不同的判別模型和生成模型，以此作為整個圖像理解任務(wù)的理論基礎(chǔ)；接著從圖像理解的研究內(nèi)容入手，分別詳述了場景中目標(biāo)識別、場景中目標(biāo)之間的關(guān)系、場景描述與理解和圖像句法語義四個子任務(wù)，并介紹了相應(yīng)的學(xué)習(xí)算法，給出了經(jīng)典、實用的應(yīng)用實例。具體內(nèi)容分布如下：　　第1章給出了圖像理解的定義以及結(jié)構(gòu)框架，介紹了圖像理解的研究內(nèi)容，闡述了圖像理解與圖像工程、計算機(jī)視覺、人工智能和認(rèn)知學(xué)的聯(lián)系與區(qū)別及其應(yīng)用；第2章介紹無結(jié)構(gòu)特征組織方式的分類判別模型，有Boosting、支持向量機(jī)以及協(xié)同神經(jīng)網(wǎng)絡(luò)；第3章介紹半結(jié)構(gòu)化的生成模型，主要有無向圖模型中的隨機(jī)場模型和星群模型，以及有向圖模型中的認(rèn)知圖模型、pLSA模型和LDA模型；第4章從圖像的處理技術(shù)人手，介紹了圖像特征表示、提取和評價三個方面內(nèi)容，并給出部分應(yīng)用實例加以分析，重點介紹了特征不變性描述子SIFT；第5章介紹場景中的目標(biāo)識別，主要分為圖像分割、目標(biāo)識別以及廣義目標(biāo)識別三個方面，介紹了以第2、3章為理論基礎(chǔ)的各種方法，給出仿真應(yīng)用實例或經(jīng)典實例；第6章介紹場景中目標(biāo)之間的關(guān)系，首先簡單介紹表達(dá)場景中目標(biāo)之間關(guān)系的有力載體（與或圖和解析圖），然后介紹關(guān)聯(lián)描述的視覺三層（低層、中層和高層）詞匯，接著詳細(xì)介紹目標(biāo)之間的各種關(guān)聯(lián)和結(jié)構(gòu)，最后給出體現(xiàn)目標(biāo)之間關(guān)系的經(jīng)典應(yīng)用實例；第7章介紹場景的描述與理解，首先介紹圖像理解中場景分類的相關(guān)概念和特點；然后給出場景分類的方法（低層場景建模和高層語義建模），最后重點介紹了基于視皮層組織的場景Gist特征的場景全局感知分類，以及基于混合高斯模型的場景分類，并在高斯概率模型進(jìn)行場景分類研究的基礎(chǔ)上對場景分類的約束機(jī)制進(jìn)行初步探討；第8章介紹場景中的句法語義，首先簡單介紹了句法語言，然后重點介紹了上下文有關(guān)隨機(jī)句法的學(xué)習(xí)和推理過程，最后給出基于統(tǒng)計句法策略的實現(xiàn)新型語義關(guān)系的構(gòu)建。

內(nèi)容概要

“圖像理解”是近年來計算機(jī)科學(xué)的熱點研究領(lǐng)域，本書對圖像理解的前沿理論與方法進(jìn)行了詳細(xì)論述。主要內(nèi)容包括分類判別模型、生成模型、圖像信息表示與特征提取、場景中的目標(biāo)識別、場景中目標(biāo)之間的關(guān)系、場景描述與理解、場景中的句法語義、圖像理解開發(fā)環(huán)境和圖像數(shù)據(jù)集等。本書緊跟上述內(nèi)容的國內(nèi)外發(fā)展現(xiàn)狀和最新成果，闡述作者對圖像理解理論方法的理解和認(rèn)識。    本書可以作為計算機(jī)科學(xué)與技術(shù)、信息與通信工程、電子科學(xué)與技術(shù)等專業(yè)的研究生、高年級本科生教材，同時可作為從事圖像理解、計算機(jī)視覺、機(jī)器學(xué)習(xí)等相關(guān)專業(yè)研究人員的參考書。

書籍目錄

前言第1章  緒論    1.1  圖像理解的基本概念    1.1.1  圖像理解與圖像工程    1.1.2  圖像理解與計算機(jī)視覺    1.1.3  圖像理解與人工智能    1.1.4  圖像理解與認(rèn)知學(xué)    1.2  圖像理解的研究內(nèi)容    1.2.1  場景中目標(biāo)識別    1.2.2  場景中目標(biāo)之間的關(guān)系    1.2.3  場景描述與理解    1.2.4  圖像語義描述推理  1.3  圖像理解的研究方法    1.3.1  判別分類方法    1.3.2  生成模型方法    1.3.3  句法語義分析方法  1.4  圖像理解的應(yīng)用    1.4.1  遙感圖像解釋    1.4.2  目標(biāo)識別和解釋    1.4.3  基于內(nèi)容的圖像和視頻檢索  參考文獻(xiàn)第2章  分類判別模型  2.1  引言  2.2  Boosting分類方法    2.2.1  Boosting產(chǎn)生與發(fā)展    2.2.2  Boosting基本思想    2.2.3  Boosting分類模型    2.2.4  方法總結(jié)  2.3  SVM分類方法    2.3.1  統(tǒng)計學(xué)習(xí)理論    2.3.2  SVM模型    2.3.3  方法總結(jié)  2.4  協(xié)同學(xué)與協(xié)同神經(jīng)網(wǎng)絡(luò)    2.4.1  協(xié)同學(xué)簡介    2.4.2  協(xié)同模式識別方法    2.4.3  方法總結(jié)  2.5  總結(jié)  參考文獻(xiàn)第3章  生成模型  3.1  引言    3.1.1  圖論中的無向圖與有向圖    3.1.2  圖像理解中的標(biāo)記問題  3.2  無向圖模型    3.2.1  無向圖簡介    3.2.2  隨機(jī)場模型    3.2.3  星群模型    3.2.4  小結(jié)  3.3  有向圖模型    3.3.1  有向圖簡介    3.3.2  認(rèn)知圖模型    3.3.3  pLSA模型      3.3.4  LDA模型    3.3.5  小結(jié)  3.4  總結(jié)  參考文獻(xiàn)第4章  圖像信息表示與特征提取  4.1  引言  4.2  圖像信息表示    4.2.1  圖像數(shù)據(jù)結(jié)構(gòu)    4.2.2  知識表示    4.2.3  數(shù)據(jù)與知識的融合  4.3  圖像特征提取    4.3.1  基本圖像特征提取    4.3.2  常用圖像特征提取    4.3.3  方法小結(jié)  4.4  圖像特征表達(dá)    4.4.1  直方圖表達(dá)    4.4.2  區(qū)域特征表達(dá)    4.4.3  邊緣特征表達(dá)    4.4.4  基于包的表達(dá)    4.4.5  方法小結(jié)  4.5  圖像特征評價    4.5.1  檢測算子評價    4.5.2  特征描述子評價    4.5.3  方法小結(jié)  4.6  總結(jié)  參考文獻(xiàn)第5章  場景中的目標(biāo)識別  5.1  引言  5.2  圖像分割    5.2.1  基于SVM的圖像分割    5.2.2  基于取樣的圖像分割    5.2.3  全互連結(jié)構(gòu)的圖像分割    5.2.4  MRF+pLSA區(qū)域分割標(biāo)記    5.2.5  基于產(chǎn)生式規(guī)則的圖像分割  5.3  目標(biāo)識別    5.3.1  基于認(rèn)知圖的目標(biāo)形狀識別    5.3.2  基于協(xié)同神經(jīng)網(wǎng)絡(luò)的生物特征識別    5.3.3  基于Boosting的目標(biāo)識別    5.3.4  基于SVM的目標(biāo)識別  5.4  廣義目標(biāo)識別    5.4.1  Boosting多值分類的目標(biāo)檢測識別    5.4.2  視覺注意機(jī)制引導(dǎo)的協(xié)同目標(biāo)識別    5.4.3  pLSA的視覺目標(biāo)分類    5.4.4  pLSA下的無向圖廣義目標(biāo)識別  5.5  總結(jié)  參考文獻(xiàn)第6章  場景中目標(biāo)之間的關(guān)系  6.1  引言  6.2  與或圖和解析圖  6.3  視覺詞匯    6.3.1  視覺詞匯表達(dá)    6.3.2  低層圖像基元    6.3.3  中層圖基元對    6.3.4  高層目標(biāo)部分  6.4  關(guān)聯(lián)和結(jié)構(gòu)    6.4.1  關(guān)聯(lián)    6.4.2  結(jié)構(gòu)  6.5  目標(biāo)間關(guān)系的視覺應(yīng)用    6.5.1  星群模型的部分關(guān)聯(lián)分析    6.5.2  場景－目標(biāo)關(guān)聯(lián)的目標(biāo)識別  6.6  總結(jié)  參考文獻(xiàn)第7章  場景描述與理解  7.1  引言  7.2  場景分類    7.2.1  場景分類的概念    7.2.2  場景分類的特點      7.2.3  場景的視覺感知層次    7.2.4  場景分類的方法  7.3  場景理解的視覺應(yīng)用    7.3.1  基于Gist特征的場景全局感知分類    7.3.2  基于高斯統(tǒng)計概率模型的場景分類    7.3.3  圖像理解的場景分析約束機(jī)制  7.4  總結(jié)  參考文獻(xiàn)第8章  場景中的句法語義  8.1  引言  8.2  句法語言    8.2.1  句法重用和歧義結(jié)構(gòu)    8.2.2  語義詞匯表達(dá)    8.2.3  WordNet詞匯網(wǎng)    8.3  基于統(tǒng)計的句法分析    8.3.1  句法公式    8.3.2  隨機(jī)句法    8.3.3  上下文有關(guān)隨機(jī)句法    8.3.4  隨機(jī)句法與或圖      8.3.5  句法學(xué)習(xí)與推理  8.4  基于統(tǒng)計句法的視覺應(yīng)用    8.4.1  人造場景解析    8.4.2  人體外觀建模與推理    8.4.3  目標(biāo)類別推理識別  8.5  總結(jié)  參考文獻(xiàn)第9章  圖像理解開發(fā)環(huán)境  9.1  引言  9.2  圖像理解環(huán)境    9.2.1  IUE起源    9.2.2  IUE類譜系    9.2.3  IUE任務(wù)庫    9.2.4  IUE執(zhí)行界面和接口  9.3  OpenCV    9.3.1  OpenCV起源    9.3.2  OpenCV類譜系    9.3.3  OpenCV任務(wù)庫    9.3.4  OpenCV執(zhí)行界面和接口    9.3.5  OpenCV應(yīng)用實例  9.4  VXL    9.4.1  VXL起源    9.4.2  VXL類譜系    9.4.3  VXL任務(wù)庫    9.4.4  VXL執(zhí)行界面和接口      9.4.5  VXL應(yīng)用實例  9.5  總結(jié)  參考文獻(xiàn)第10章  圖像數(shù)據(jù)集  10.1  引言  10.2  傳統(tǒng)圖像集    10.2.1  一般目標(biāo)識別圖像集    10.2.2  圖像檢索圖像集    10.2.3  手勢識別圖像集    10.2.4  數(shù)字識別圖像集    10.2.5  PASCAL圖像集  10.3  融合視覺知識的圖像集    10.3.1  圖像集中的視覺知識    10.3.2  LabelMe圖像集    10.3.3  LotusHill圖像集  10.4  總結(jié)  參考文獻(xiàn)

章節(jié)摘錄

　　1.3協(xié)同學(xué)的核心概念　　支配原理和序參量是協(xié)同學(xué)理論的兩個核心概念，下面分別進(jìn)行詳細(xì)討論?！　?）支配原理　　對于由大量子系統(tǒng)構(gòu)成的巨大系統(tǒng)來說，基本演化方程中包含的變量數(shù)目極大，即基本演化方程的維數(shù)非常高，要處理這樣高維的方程，實際上是不可能的。因此，如何對維數(shù)極高的基本演化方程進(jìn)行簡化，以適當(dāng)?shù)牡途S方程近似描述原來系統(tǒng)，是協(xié)同學(xué)的一個重要研究內(nèi)容。為此，協(xié)同學(xué)發(fā)展了微觀方法的基本原理——支配原理，包括絕熱消去原理、慢流形定理和中心流形定理等三個方面內(nèi)容，核心是絕熱消去原理?！　f(xié)同學(xué)把表征子系統(tǒng)狀態(tài)及它們之間耦合的所有量的臨界行為分為兩類：一類是臨界處阻尼大衰減快的快弛豫參量，它們在臨界過程中此起彼伏、活躍異常，但是它們對系統(tǒng)演變過程的性質(zhì)并不起主導(dǎo)作用，處于次要地位。系統(tǒng)中絕大多數(shù)的狀態(tài)變量都是這類快弛豫參量。另一類臨界行為是慢弛豫參量，這類慢弛豫參量在臨界過程中的行為與快弛豫參量并沒有明顯區(qū)別，但是當(dāng)系統(tǒng)達(dá)到臨界點時，它們出現(xiàn)了臨界無阻尼現(xiàn)象（這往往是由于環(huán)境條件和邊界條件對它們的生長有利形成的）。這類參量數(shù)量極少，卻驅(qū)使著其他快弛豫參量的運動，并且系統(tǒng)演變的最終狀態(tài)或結(jié)構(gòu)是由它們決定的?！　〗^熱消去原理是指當(dāng)系統(tǒng)處在閾值時，有序結(jié)構(gòu)形成的速度很快，外界對系統(tǒng)的影響可以忽略，而在系統(tǒng)內(nèi)部，忽略相對衰減很快的快弛豫量的變化，可以使方程大大簡化，也就是用慢弛豫參量表示（或近似表示）所有的快弛豫參量，最后得到僅有慢馳豫參量的方程——序參量方程。這樣處理不僅消去了大量自由度使方程易于求解，而且深刻反映出子系統(tǒng)之間的協(xié)同作用產(chǎn)生了序參量，序參量又支配著子系統(tǒng)的運動，使系統(tǒng)出現(xiàn)整體的有序運動狀態(tài)。　　在研究系統(tǒng)的演化序列時，協(xié)同學(xué)又發(fā)展了慢流形定理和中心流形定理。這兩個定理都是針對系統(tǒng)在相空間軌道而言的。慢流形是指代表著系統(tǒng)演變結(jié)果的那些穩(wěn)定的吸引子流形，相當(dāng)于系統(tǒng)中的慢弛豫參量的軌道。慢流形定理表明，如果相空間存在快流形和慢流形，系統(tǒng)最終會穩(wěn)定地運動到慢流形上；中心流形定理是指在中心流形的軌道上，系統(tǒng)的行為是屬于中性的。

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    圖像理解理論與方法 PDF格式下載

---