☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

编辑推荐

适读人群 ：本书可作为计算机几何学、计算机图形学、图像处理、模式识别、机器人学等专业高年级本科生和研究生的教材或参考书，也可供从事相关领域研究的工程技术人员参考阅读。

计算机视觉的经典教材，作者历经多年沉淀的全新修订版本。丰富的应用实例，大量的插图与详细的数学分析，带领读者全面了解计算机视觉领域的基础知识到高级应用。

内容简介

计算机视觉是研究如何使人工系统从图像或多维数据中“感知”的科学。本书是计算机视觉领域的经典教材，内容涉及摄像机的几何模型、光照及阴影、颜色、线性滤波、局部图像特征、纹理、立体视觉、运动结构、聚类分割、分组与模型拟合、跟踪、配准、平滑表面及其轮廓、深度数据、图像分类、物体检测与识别、基于图像的建模与渲染、人形研究、图像搜索与检索、优化技术等。与前一版相比，本书简化了部分主题，增加了应用示例，重写了关于现代特征的内容，详述了现代图像编辑技术与物体识别技术。

作者简介

David Forsyth：1984年于威特沃特斯兰德大学取得电气工程学士学位，1986年取得电气工程硕士学位，1989年于牛津贝列尔学院取得博士学位。之后在艾奥瓦大学任教3年，并在加州大学伯克利分校任教10年，之后在伊利诺斯大学任教。2000年和2001年任IEEE计算机视觉和模式识别会议执行副主席，2006年任CVPR常任副主席，2008年任欧洲计算机视觉会议执行副主席，是所有关于计算机视觉主要国际会议的常任执委会成员。他为SIGGRAPH执委会工作了5期。2006年获IEEE技术成就奖，2009年成为IEEE会士。
高永强，中国科学院深圳先进技术研究院集成所多媒体研究中心的博士，研究方向是数字图像处理，参与机器人ROS系统的关于视觉应用的项目，并整理总结了关于openCV应用的很多文章，研究方向是计算机视觉、模式识别和机器学习。

目录

目录

第一部分图像生成
第1章摄像机的几何模型
1．1图像成像
1．1．1针孔透视
1．1．2弱透视
1．1．3带镜头的照相机
1．1．4人的眼睛
1．2内参数和外参数
1．2．1刚体变换和齐次坐标
1．2．2内参数
1．2．3外参数
1．2．4透视投影矩阵
1．2．5弱透视投影矩阵
1．3照相机的几何标定
1．3．1使用线性方法对照相机进行标定
1．3．2使用非线性方法对照相机进行标定
1．4注释
习题
编程练习
第2章光照及阴影
2．1像素的亮度
2．1．1表面反射
2．1．2光源及其产生的效果
2．1．3朗伯+镜面反射模型
2．1．4面光源
2．2阴影的估算
2．2．1辐射校准和高动态范围图像
2．2．2镜面反射模型
2．2．3对亮度和照度的推理
2．2．4光度立体技术：从多幅阴影图像恢复形状
2．3对互反射进行建模
2．3．1源于区域光在一个块上的照度
2．3．2热辐射和存在性
2．3．3互反射模型
2．3．4互反射的定性性质
2．4一个阴影图像的形状
2．5注释
习题
编程练习
第3章颜色
3．1人类颜色感知
3．1．1颜色匹配
3．1．2颜色感受体
3．2颜色物理学
3．2．1颜色的来源
3．2．2表面颜色
3．3颜色表示
3．3．1线性颜色空间
3．3．2非线性颜色空间
3．4图像颜色的模型
3．4．1漫反射项
3．4．2镜面反射项
3．5基于颜色的推论
3．5．1用颜色发现镜面反射
3．5．2用颜色去除阴影
3．5．3颜色恒常性：从图像颜色获得表面颜色
3．6注释
习题
编程练习
第二部分早期视觉：使用一幅图像
第4章线性滤波
4．1线性滤波与卷积
4．1．1卷积
4．2移不变线性系统
4．2．1离散卷积
4．2．2连续卷积
4．2．3离散卷积的边缘效应
4．3空间频率和傅里叶变换
4．3．1傅里叶变换
4．4采样和混叠
4．4．1采样
4．4．2混叠
4．4．3平滑和重采样
4．5滤波器与模板
4．5．1卷积与点积
4．5．2基的改变
4．6技术：归一化相关和检测模式
4．6．1通过归一化相关检测手势的方法来控制电视机
4．7技术：尺度和图像金字塔
4．7．1高斯金字塔
4．7．2多尺度表示的应用
4．8注释
习题
编程练习
第5章局部图像特征
5．1计算图像梯度
5．1．1差分高斯滤波
5．2对图像梯度的表征
5．2．1基于梯度的边缘检测子
5．2．2方向
5．3查找角点和建立近邻
5．3．1查找角点
5．3．2采用尺度和方向构建近邻
5．4通过SIFT特征和HOG特征描述近邻
5．4．1SIFT特征
5．4．2HOG特征
5．5实际计算局部特征
5．6注释
习题
编程练习
第6章纹理
6．1利用滤波器进行局部纹理表征
6．1．1斑点和条纹
6．1．2从滤波器输出到纹理表征
6．1．3实际局部纹理表征
6．2通过纹理基元的池化纹理表征
6．2．1向量量化和纹理基元
6．2．2k均值聚类的向量量化
6．3纹理合成和对图像中的空洞进行填充
6．3．1通过局部模型采样进行合成
6．3．2填充图像中的空洞
6．4图像去噪
6．4．1非局部均值
6．4．2三维块匹配(BM3D)
6．4．3稀疏编码学习
6．4．4结果
6．5由纹理恢复形状
6．5．1在平面内由纹理恢复形状
6．5．2从弯曲表面的纹理恢复形状
6．6注释
习题
编程练习
第三部分低层视觉：使用多幅图像
第7章立体视觉
7．1双目摄像机的几何属性和对极约束
7．1．1对极几何
7．1．2本征矩阵
7．1．3基础矩阵
7．2双目重构
7．2．1图像矫正
7．3人类立体视觉
7．4双目融合的局部算法
7．4．1相关
7．4．2多尺度的边缘匹配
7．5双目融合的全局算法
7．5．1排序约束和动态规划
7．5．2平滑约束和基于图的组合优化
7．6使用多台摄像机
7．7应用：机器人导航
7．8注释
习题
编程练习
第8章从运动中恢复三维结构
8．1内部标定的透视摄像机
8．1．1问题的自然歧义性
8．1．2从两幅图像估计欧氏结构和运动
8．1．3从多幅图像估计欧氏结构和运动
8．2非标定的弱透视摄像机
8．2．1问题的自然歧义性
8．2．2从两幅图像恢复仿射结构和运动
8．2．3从多幅图像恢复仿射结构和运动
8．2．4从仿射到欧氏图像
8．3非标定的透视摄像机
8．3．1问题的自然歧义性
8．3．2从两幅图像恢复投影结构和运动
8．3．3从多幅图像恢复投影结构和运动
8．3．4从投影到欧氏图像
8．4注释
习题
编程练习
第四部分中层视觉方法
第9章基于聚类的分割方法
9．1人类视觉：分组和格式塔原理
9．2重要应用
9．2．1背景差分
9．2．2镜头的边界检测
9．2．3交互分割
9．2．4形成图像区域
9．3基于像素点聚类的图像分割
9．3．1基本的聚类方法
9．3．2分水岭算法
9．3．3使用k均值算法进行分割
9．3．4均值漂移：查找数据中的局部模型
9．3．5采用均值漂移进行聚类和分割
9．4分割、聚类和图论
9．4．1图论术语和相关事实
9．4．2根据图论进行凝聚式聚类
9．4．3根据图论进行分解式聚类
9．4．4归一化切割
9．5图像分割在实际中的应用
9．5．1对分割器的评估
9．6注释
习题
编程练习
第10章分组与模型拟合
10．1霍夫变换
10．1．1用霍夫变换拟合直线
10．1．2霍夫变换的使用
10．2拟合直线与平面
10．2．1拟合单一直线
10．2．2拟合平面
10．2．3拟合多条直线
10．3拟合曲线
10．4鲁棒性
10．4．1M估计法
10．4．2RANSAC：搜寻正常点
10．5用概率模型进行拟合
10．5．1数据缺失问题
10．5．2混合模型和隐含变量
10．5．3混合模型的EM算法
10．5．4EM算法的难点
10．6基于参数估计的运动分割
10．6．1光流和运动
10．6．2光流模型
10．6．3用分层法分割运动
10．7模型选择：哪个最好
10．7．1利用交叉验证选择模型
10．8注释
习题
编程练习
第11章跟踪
11．1简单跟踪策略
11．1．1基于检测的跟踪
11．1．2基于匹配的平移跟踪
11．1．3使用仿射变换来确定匹配
11．2匹配跟踪
11．2．1匹配摘要表征
11．2．2流跟踪
11．3基于卡尔曼滤波器的线性动态模型跟踪
11．3．1线性测量值和线性动态模型
11．3．2卡尔曼滤波
11．3．3前向后向平滑
11．4数据相关
11．4．1卡尔曼滤波检测方法
11．4．2数据相关的关键方法
11．5粒子滤波
11．5．1概率分布的采样表示
11．5．2最简单的粒子滤波器
11．5．3跟踪算法
11．5．4可行的粒子滤波器
11．5．5创建粒子滤波器中的粒子问题
11．6注释
习题
编程练习
第五部分高层视觉
第12章配准
12．1刚性物体配准
12．1．1迭代最近点
12．1．2通过关联搜索转换关系
12．1．3应用：建立图像拼接
12．2基于模型的视觉：使用投影配准刚性物体
12．2．1验证：比较转换与渲染后的原图与目标图
12．3配准可形变目标
12．3．1使用主动外观模型对纹理进行变形
12．3．2实践中的主动外观模型
12．3．3应用：医疗成像系统中的配准
12．4注释
习题
编程练习
第13章平滑的表面及其轮廓
13．1微分几何的元素
13．1．1曲线
13．1．2表面
13．2表面轮廓几何学
13．2．1遮挡轮廓和图形轮廓
13．2．2图像轮廓的歧点和拐点
13．2．3Koenderink定理
13．3视觉事件：微分几何的补充
13．3．1高斯映射的几何关系
13．3．2渐近曲线
13．3．3渐近球面映射
13．3．4局部视觉事件
13．3．5双切射线流形
13．3．6多重局部视觉事件
13．3．7外观图
13．4注释
习题
第14章深度数据
14．1主动深度传感器
14．2深度数据的分割
14．2．1分析微分几何学的基本元素
14．2．2在深度图像中寻找阶跃和顶边
14．2．3把深度图像分割为平面区域
14．3深度图像的配准和模型获取
14．3．1四元组
14．3．2使用最近点迭代方法配准深度图像
14．3．3多幅深度图像的融合
14．4物体识别
14．4．1使用解释树匹配分段平面表示的表面
14．4．2使用自旋图像匹配自由形态的曲面
14．5Kinect
14．5．1特征
14．5．2技术：决策树和随机森林
14．5．3标记像素
14．5．4计算关节位置
14．6注释
习题
编程练习
第15章用于分类的学习
15．1分类、误差和损失函数
15．1．1基于损失的决策
15．1．2训练误差、测试误差和过拟合
15．1．3正则化
15．1．4错误率和交叉验证
15．1．5受试者工作特征曲线(ROC)
15．2主要的分类策略
15．2．1示例：采用归一化类条件密度的马氏距离
15．2．2示例：类条件直方图和朴素贝叶斯
15．2．3示例：采用最近邻的非参分类器
15．2．4示例：线性支持向量机
15．2．5示例：核机器
15．2．6示例：级联和Adaboost
15．3构建分类器的实用方法
15．3．1手动调整训练数据并提升性能
15．3．2通过二类分类器构建多类分类器
15．3．3求解SVM和核机器的方案
15．4注释
习题
第16章图像分类
16．1构建好的图像特征
16．1．1示例应用
16．1．2采用GIST特征进行编码布局
16．1．3采用视觉单词总结图像
16．1．4空间金字塔
16．1．5采用主分量进行降维
16．1．6采用典型变量分析进行降维
16．1．7示例应用：检测不雅图片
16．1．8示例应用：材料分类
16．1．9示例应用：场景分类
16．2分类单一物体的图像
16．2．1图像分类策略
16．2．2图像分类的评估系统
16．2．3固定类数据集
16．2．4大量类的数据集
16．2．5花、树叶和鸟：某些特定的数据集
16．3在实践中进行图像分类
16．3．1关于图像特征的代码
16．3．2图像分类数据库
16．3．3数据库偏差
16．3．4采用众包平台进行数据库收集
16．4注释
编程练习
第17章检测图像中的物体
17．1滑动窗口法
17．1．1人脸检测
17．1．2行人检测
17．1．3边界检测
17．2检测形变物体
17．3物体检测算法的发展现状
17．3．1数据库和资源
17．4注释
编程练习
第18章物体识别
18．1物体识别应该做什么
18．1．1物体识别系统应该做什么
18．1．2目前物体识别的策略
18．1．3什么是类别
18．1．4选择：应该怎么描述
18．2特征问题
18．2．1提升当前图像特征
18．2．2其他类型的图像特征
18．3几何问题
18．4语义问题
18．4．1属性和不熟悉
18．4．2部分、姿态部件和一致性
18．4．3块的意义：部分、姿态部件、物体、短语和场景
第六部分应用与其他主题
第19章基于图像的建模与渲染
19．1可视外壳
19．1．1可视外壳模型的主要元素
19．1．2跟踪相交曲线
19．1．3分割相交曲线
19．1．4锥带三角化
19．1．5结果
19．1．6更进一步：雕刻可视外壳
19．2基于贴片的多视立体视觉
19．2．1PMVS模型的主要元素
19．2．2初始特征匹配
19．2．3扩张
19．2．4过滤
19．2．5结果
19．3光场
19．4注释
习题
编程练习
第20章对人的观察
20．1隐马尔可夫模型、动态规划和基于树形结构的模型
20．1．1隐马尔可夫模型
20．1．2关于HMM的推理
20．1．3通过EM拟合HMM
20．1．4树形结构的能量模型
20．2对图像中的人进行解析
20．2．1图形结构模型的解析
20．2．2估计衣服的表面
20．3人的跟踪
20．3．1为什么人的跟踪如此困难
20．3．2通过表面进行运动跟踪
20．3．3采用模板进行运动人体跟踪
20．4从二维到三维：提升
20．4．1在正视图进行重构
20．4．2利用外貌进行精确重构
20．4．3利用运动进行精确重构
20．5行为识别
20．5．1背景：人类运动数据
20．5．2人体结构和行为识别
20．5．3采用外貌特征识别人类行为
20．5．4采用组合的模型识别人类行为
20．6资源
20．7注释
第21章图像搜索与检索
21．1应用背景
21．1．1应用
21．1．2用户需求
21．1．3图像查询的类别
21．1．4什么样的用户使用图像采集
21．2源自信息检索的基本技术
21．2．1单词统计
21．2．2单词统计的平滑
21．2．3最近邻估计和哈希
21．2．4文本排序
21．3图像文件
21．3．1没有量化的匹配
21．3．2根据查询结果对图像进行排序
21．3．3浏览与布局
21．3．4图像浏览布局
21．4对注释的图片预测
21．4．1源于邻近文字的注释
21．4．2源于整幅图的注释
21．4．3采用分类器预测关联的单词
21．4．4人名与人脸
21．4．5通过分割生成标签
21．5目前最先进的单词预测器
21．5．1资源
21．5．2方法比较
21．5．3开放问题
21．6注释
第七部分背景材料
第22章优化技术
22．1线性最小二乘法
22．1．1正则方程和伪逆
22．1．2齐次方程组和特征值问题
22．1．3广义特征值问题
22．1．4示例：拟合平面上的一条直线
22．1．5奇异值分解
22．2非线性最小二乘法
22．2．1牛顿方法：平方非线性方程组
22．2．2牛顿方法：过约束的非线性方程组
22．2．3高斯牛顿法和Levenberg-Marquardt法
22．3稀疏编码和字典学习
22．3．1稀疏编码
22．3．2字典学习
22．3．3监督字典学习
22．4最小切/最大流问题和组合优化
22．4．1最小切问题
22．4．2二次伪布尔函数
22．4．3泛化为整型变量
22．5注释

精彩书摘

　　《计算机视觉――一种现代方法（第二版）》：
　　池化是表征同一个领域的模式元素的空间趋势，而不是表征空间的细节信息。一种池化的例子是构建视觉单词的直方图，这里的池是指直方图。这种策略通常也称为平均池化（average pooling）。另一种方式足构造一组向量，其中1为该视觉单词不管多长时间在该领域出现一次，而0表示不出现，这种方式通常称为最大池化（max pooling），或者通过tf—idf或其他权重构造直方图。池化具有很多准则：首先，池化可以抑制编码过程中产生的噪声，例如，如果期望两个相似的图像块得到不同的编码，则在不同图像块得到的直方图仍然可以提供有用的信息；其次，池化可以对不同模式之间的差异性进行强调——例如斑点和条纹应该包括不同的图像块族——同时抑制空间细节；最终，池化可以抑制小变换带来的影响，同样这些小变换包括平移、旋转和在同一领域进行表征计算的变形。
　　然而，池化同样将会产生新的问题。池化损失空间信息。这里有一个艰难的问题：池化可能在大的领域产生很好的噪声抑制，但是同样也抑制了更多的空间信息，池化在小的领域通过以较小噪声抑制为代价而得到更多的空间信息。如16.1.4节介绍的金宁塔构造方法， 计算机视觉――一种现代方法（第二版） [Computer Vision: A Modern Approach，Second Edition] 电子书 下载 mobi epub pdf txt

评分☆☆☆☆☆

好(?▽?)

评分☆☆☆☆☆

很好跟新

评分☆☆☆☆☆

很好很强大，物流服务又好。。。

评分☆☆☆☆☆

书是好书，适合基础薄弱的看

评分☆☆☆☆☆

书很好值得看

评分☆☆☆☆☆

初看还不错，还需仔细阅读后再评！

评分☆☆☆☆☆

书是好书，适合基础薄弱的看

评分☆☆☆☆☆

书还可以，质量还可以，纸张还行

评分☆☆☆☆☆

很专业，深入浅出。

类似图书 点击查看全场最低价