圖像理解理論與方法

前言

　　圖像理解是近年來的熱點(diǎn)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(jì)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(shí)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?！　　秷D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?jī)?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(shí)驅(qū)動(dòng)方式不同的判別模型和生成模型，以此作為整個(gè)圖像理解任務(wù)的理論基礎(chǔ)；接著從圖像理解的研究?jī)?nèi)容入手，分別詳述了場(chǎng)景中目標(biāo)識(shí)別、場(chǎng)景中目標(biāo)之間的關(guān)系、場(chǎng)景描述與理解和圖像句法語(yǔ)義四個(gè)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(shí)用的應(yīng)用實(shí)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?jī)?nèi)容，闡述了圖像理解與圖像工程、計(jì)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(chǎng)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(píng)價(jià)三個(gè)方面內(nèi)容，并給出部分應(yīng)用實(shí)例加以分析，重點(diǎn)介紹了特征不變性描述子SIFT；第5章介紹場(chǎng)景中的目標(biāo)識(shí)別，主要分為圖像分割、目標(biāo)識(shí)別以及廣義目標(biāo)識(shí)別三個(gè)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(shí)例或經(jīng)典實(shí)例；第6章介紹場(chǎng)景中目標(biāo)之間的關(guān)系，首先簡(jiǎn)單介紹表達(dá)場(chǎng)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(shí)例；第7章介紹場(chǎng)景的描述與理解，首先介紹圖像理解中場(chǎng)景分類的相關(guān)概念和特點(diǎn)；然后給出場(chǎng)景分類的方法（低層場(chǎng)景建模和高層語(yǔ)義建模），最后重點(diǎn)介紹了基于視皮層組織的場(chǎng)景Gist特征的場(chǎng)景全局感知分類，以及基于混合高斯模型的場(chǎng)景分類，并在高斯概率模型進(jìn)行場(chǎng)景分類研究的基礎(chǔ)上對(duì)場(chǎng)景分類的約束機(jī)制進(jìn)行初步探討；第8章介紹場(chǎng)景中的句法語(yǔ)義，首先簡(jiǎn)單介紹了句法語(yǔ)言，然后重點(diǎn)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(jì)句法策略的實(shí)現(xiàn)新型語(yǔ)義關(guān)系的構(gòu)建。

內(nèi)容概要

“圖像理解”是近年來計(jì)算機(jī)科學(xué)的熱點(diǎn)研究領(lǐng)域，本書對(duì)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(chǎng)景中的目標(biāo)識(shí)別、場(chǎng)景中目標(biāo)之間的關(guān)系、場(chǎng)景描述與理解、場(chǎng)景中的句法語(yǔ)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(guó)內(nèi)外發(fā)展現(xiàn)狀和最新成果，闡述作者對(duì)圖像理解理論方法的理解和認(rèn)識(shí)。    本書可以作為計(jì)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(jí)本科生教材，同時(shí)可作為從事圖像理解、計(jì)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(jì)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?jī)?nèi)容    1.2.1  場(chǎng)景中目標(biāo)識(shí)別    1.2.2  場(chǎng)景中目標(biāo)之間的關(guān)系    1.2.3  場(chǎng)景描述與理解    1.2.4  圖像語(yǔ)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(yǔ)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(shí)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(jì)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(jiǎn)介    2.4.2  協(xié)同模式識(shí)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(jiǎn)介    3.2.2  隨機(jī)場(chǎng)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(jiǎn)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(shí)表示    4.2.3  數(shù)據(jù)與知識(shí)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(píng)價(jià)    4.5.1  檢測(cè)算子評(píng)價(jià)    4.5.2  特征描述子評(píng)價(jià)    4.5.3  方法小結(jié)  4.6  總結(jié)  參考文獻(xiàn)第5章  場(chǎng)景中的目標(biāo)識(shí)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(shí)別    5.3.1  基于認(rèn)知圖的目標(biāo)形狀識(shí)別    5.3.2  基于協(xié)同神經(jīng)網(wǎng)絡(luò)的生物特征識(shí)別    5.3.3  基于Boosting的目標(biāo)識(shí)別    5.3.4  基于SVM的目標(biāo)識(shí)別  5.4  廣義目標(biāo)識(shí)別    5.4.1  Boosting多值分類的目標(biāo)檢測(cè)識(shí)別    5.4.2  視覺注意機(jī)制引導(dǎo)的協(xié)同目標(biāo)識(shí)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(shí)別  5.5  總結(jié)  參考文獻(xiàn)第6章  場(chǎng)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(duì)    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(chǎng)景－目標(biāo)關(guān)聯(lián)的目標(biāo)識(shí)別  6.6  總結(jié)  參考文獻(xiàn)第7章  場(chǎng)景描述與理解  7.1  引言  7.2  場(chǎng)景分類    7.2.1  場(chǎng)景分類的概念    7.2.2  場(chǎng)景分類的特點(diǎn)      7.2.3  場(chǎng)景的視覺感知層次    7.2.4  場(chǎng)景分類的方法  7.3  場(chǎng)景理解的視覺應(yīng)用    7.3.1  基于Gist特征的場(chǎng)景全局感知分類    7.3.2  基于高斯統(tǒng)計(jì)概率模型的場(chǎng)景分類    7.3.3  圖像理解的場(chǎng)景分析約束機(jī)制  7.4  總結(jié)  參考文獻(xiàn)第8章  場(chǎng)景中的句法語(yǔ)義  8.1  引言  8.2  句法語(yǔ)言    8.2.1  句法重用和歧義結(jié)構(gòu)    8.2.2  語(yǔ)義詞匯表達(dá)    8.2.3  WordNet詞匯網(wǎng)    8.3  基于統(tǒng)計(jì)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(jì)句法的視覺應(yīng)用    8.4.1  人造場(chǎng)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(shí)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(kù)    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(kù)    9.3.4  OpenCV執(zhí)行界面和接口    9.3.5  OpenCV應(yīng)用實(shí)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(kù)    9.4.4  VXL執(zhí)行界面和接口      9.4.5  VXL應(yīng)用實(shí)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(shí)別圖像集    10.2.2  圖像檢索圖像集    10.2.3  手勢(shì)識(shí)別圖像集    10.2.4  數(shù)字識(shí)別圖像集    10.2.5  PASCAL圖像集  10.3  融合視覺知識(shí)的圖像集    10.3.1  圖像集中的視覺知識(shí)    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(gè)核心概念，下面分別進(jìn)行詳細(xì)討論?！　?）支配原理　　對(duì)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(shí)際上是不可能的。因此，如何對(duì)維數(shù)極高的基本演化方程進(jìn)行簡(jiǎn)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(gè)重要研究?jī)?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(gè)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?cè)谂R界過程中此起彼伏、活躍異常，但是它們對(duì)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(diǎn)時(shí)，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(duì)它們的生長(zhǎng)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(yùn)動(dòng)，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。　　絕熱消去原理是指當(dāng)系統(tǒng)處在閾值時(shí)，有序結(jié)構(gòu)形成的速度很快，外界對(duì)系統(tǒng)的影響可以忽略，而在系統(tǒng)內(nèi)部，忽略相對(duì)衰減很快的快弛豫量的變化，可以使方程大大簡(jiǎn)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(yùn)動(dòng)，使系統(tǒng)出現(xiàn)整體的有序運(yùn)動(dòng)狀態(tài)?！　≡谘芯肯到y(tǒng)的演化序列時(shí)，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(gè)定理都是針對(duì)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(huì)穩(wěn)定地運(yùn)動(dòng)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(píng)論、評(píng)分、閱讀與下載

---

    圖像理解理論與方法 PDF格式下載

---