圖像局部不變性特征與描述

前言

　　圖像局部不變性特征是近10年來圖像處理、模式識別等領域里的一個研究熱點。很長時間以來，人們一直期望機器能像人一樣智能地辨識周圍世界的事物，但人們這種期望似乎總是一次次的變成了失望。在20世紀的70年代末80年代初，由于計算機的發(fā)明和處理能力的提高，在全球范圍內興起了人工智能的研究熱潮，但不到10年時間，就有人斷言人工智能這門學科已經(jīng)是日薄西山。到20世紀的90年代初，神經(jīng)元網(wǎng)絡的研究也幾乎達到了狂熱的程度，但又是不到10年的時間，人們終于認識到過去人工智能不能解決的問題，神經(jīng)元網(wǎng)絡同樣不能解決。或許是當年馮.諾伊曼發(fā)明的計算機存在嚴重的缺陷，或許是生物的智能和思維過程實在是太復雜。人類讓機器模仿人類自己本來就是一個悖論問題，要不然，機器不就是真要統(tǒng)治人類了？一方面，現(xiàn)實的需求是那樣的強烈，人們有太多的事情需要機器可以智能地去處理，而另一方面，智能研究的進展又是那樣的遲緩，需求者的抱怨總是此起彼伏。　　21世紀初，圖像局部不變性特征研究的興起，又一次點燃了人們對智能研究的熱情，雖然它沒有像當年人工智能、神經(jīng)元網(wǎng)絡的倡導者們聲稱的那樣能包打天下，但它的確實實在在地解決了我們過去沒有解決的實際問題。對于圖像局部不變性特征方法，核心是“不變性”三個字。人類在識別一個物體時，不管這個物體或遠或近，都能對它進行正確的辨認，這就是所謂的尺度不變性。同樣，當這個物體發(fā)生旋轉時，我們照樣可以正確地辨認它，這就是所謂的旋轉不變性……那么，如何讓機器也與人類一樣具有這種能力呢？這就是圖像局部不變性特征要解決的問題?！　√岬綀D像局部不變性特征，有兩個人是不得不提及的，一個是Lindeberg，另一個是Lowe。如果將局部不變性特征方法比作一個孩子，那么，Lindeberg就是父親，Lowe就是母親。Lindeberg奠定了局部不變性特征方法的理論基礎，播下了局部不變性特征方法的種子，而Lowe則將這顆種子孕育成為一種能具體實現(xiàn)的方法。

內容概要

本書是按照概念-理論-方法-實例思路來依次組織的。第l章介紹有關局部不變性的歷史沿革和基本概念，第2章介紹有關局部不變性的尺度空間理論基礎，第3章至第7章詳細給出了局部不變性特征的實現(xiàn)方法，第8章評價了各種局部不變性方法并給出了若干應庸實例。    適合工程技術人員閱讀，也可供高等院校相關專業(yè)師生參考。

書籍目錄

第1章 引言  1.1 局部特征發(fā)晨歷程  1.2 常用術語  1.3 局部特征性質  1.4 局部特征應用  1.5 局部特征配準流程和本書的結構  參考文獻第2章 圈像尺度空間理論  2.1 金字塔多分辨率  2.2 高斯尺度空間及性質    2.2.1 多尺度和多分辨率    2.2.2 尺度空間和生物視覺  2.3 自動尺度選擇    2.3.1 尺度選擇思路    2.3.2 尺度選擇準則  2.4 斑點(Blob)檢測    2.4.1 一維信號斑點檢測    2.4.2 LoG檢測    2.4.3 DoH檢測  2.5 邊緣(Edge)檢測  2.6 角點(Corner)檢測    2.6.1 角點定位算法    2.6.2 角點檢測效果  參考文獻第3章 點與邊緣檢測  3.1 Harris角點    3.2 尺度不交性Harris角點    3.2.1 Harris尺度不變性問題    3.2.2 多尺度二階矩    3.2.3 多尺度Harris角點    3.2.4 多尺度Harris角點精化  3.3 仿射不交性Harris角點    3.3.1 初始定位：Affine Gaussian Scale-Space    3.3.2 仿射不變性角點檢測  3.4 SUSAN檢測算子  3.5 邊緣檢測    3.5.1 一階微分邊緣算子    3.5.2 二階微分邊緣算子    3.5.3 Canny邊緣檢測算子  參考文獻第4章 高效斑點檢測方法  4.1 SIFT算法    4.1.1 DoG尺度空間生成    4.1.2 特征點搜索    4.1.3 點的搜索與定位    4.1.4 刪除邊緣效應  4.2 SURF算法    4.2.1 積分圖像    4.2.2 Doll近似    4.2.3 尺度空間表示  參考文獻第5章 區(qū)域檢測方法  5.1 最大穩(wěn)定極值區(qū)域    5.1.1 MSERs基本概念與定義    5.1.2 MSERs檢測    5.1.3 MSERs區(qū)域擬合    5.1.4 MSERs區(qū)域歸一化  5.2 基于邊緣區(qū)域    5.2.1 曲線邊緣    5.2.2 直線邊緣  5.3 基于密度極值區(qū)域  5.4 顯著性區(qū)域    5.4.1 區(qū)域信息熵  ……第6章 圖像局部特征描述第7章 圖像特征點匹配第8章 評估和應用索引

章節(jié)摘錄

　　長久以來，機器視覺認知一直是人們研究的熱點，它是研究使用機器或計算機智能地認知周圍物體的科學。然而，即使是一個十分簡單物體，要使用機器或計算機去識別它都是一件十分不容易的事。其中，最為關鍵的莫過于是物體的表示或描述，也就是說，究竟提取什么樣的特征才能夠用于區(qū)別一物體與另一物體。局部不變性特征的出現(xiàn)，似乎使我們看到了解決這一問題的希望，它作為一種十分有效的手段已被成功地應用到廣泛的領域和系統(tǒng)中，包括寬基線匹配、物體檢測和識別、紋理識別、場景分類、機器人漫游、視覺數(shù)據(jù)挖掘等。另外，局部不變性特征也被用于精確制導武器的景象匹配和圖像自動尋的制導中。　　1.1 局部特征發(fā)展歷程　　有關圖像局部特征研究的歷史可以追溯到20世紀70年代末。1977年MoravectI】就提出了角點特征，當時他使用的是“興趣點”這個概念。Moravec通過灰度自相關函數(shù)來考慮一個像素和其鄰域像素的相似性。對于位于平坦區(qū)域的像素，很顯然它跟周圍的點看起來都差不多，而像素處在多個方向都有亮度變化的位置時就與周圍像素不相似了，這就是所要檢測的角點。Moravec角點檢測有很多局限性，例如它不具備旋轉不變性，對噪聲敏感等?，F(xiàn)在一般只在介紹局部特征歷史的時候才會被人提及到。1988年HarrisI[2]提出了角點特征算法。與Moravec角點不同，Harris用微分算子替代了亮度塊的方向移動，構造了具有結構信息的2x2 Harris矩陣。如果這個矩陣具有兩個比較大的特征值時，則被認定為是一個角點特征。由于采用微分算子和矩陣特征值進行判定，Harris角點比。Moravec角點具有更高的檢測率和重復率，并且對旋轉和灰度變化具有不變性。到目前為止，Harris角點在某些應用中仍然被使用。在局部特征的歷史上，特別值得一提的是L，indebergt 3j在20世紀90年代系統(tǒng)地提出了信號的尺度空間理論。為了分析圖像中各個局部特征的尺度，圖像需要通過一系列平滑（他從理論上證明了高斯核是尺度空間唯一正確的濾波器組），這樣就得到了一系列的平滑圖像，即圖像的尺度空間。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    圖像局部不變性特征與描述 PDF格式下載

---