《国外计算机科学教材系列·计算机视觉:一种现代方法(第二版)》 福赛斯 (David A.Forsyth), 泊斯 (Jean Ponce), 高永强, 等 9787121276170
配送至
编辑推荐
《国外计算机科学教材系列·计算机视觉:一种现代方法(第二版)》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。
作者简介
作者:（美）David A. Forsyth（D. A. 福赛斯），（美）Jean Ponce（J. 泊斯） 译者:高永强等
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
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
第10章分组与模型拟合
第11章跟踪
第五部分高层视觉
第12章配准
第13章平滑的表面及其轮廓
第14章深度数据
第15章用于分类的学习
第16章图像分类
第17章检测图像中的物体
第18章物体识别
第六部分应用与其他主题
第19章基于图像的建模与渲染
第20章对人的观察
第21章图像搜索与检索
第七部分背景材料
第22章优化技术
文摘
版权页：
插图：
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，可以很好地缓解这种困难。
第二个困难是对具有非常不同意义的编码进行平均可能产生没有信息量的向量。这个问题在稀疏编码表征上将会变得异常困难。两个不同的图像块可能同时产生同样的非零成分。将这些项进行平均化看起来并不那么有用，而且会抑制信息。相反，我们可能仅仅需要在图像空间和特征空间连贯的领域进行池化。一种可能的处理办法是预聚类（preclustering）。在特征空间构建k均值聚类，每个聚类中心关联一个维度，我们仅仅对满足要求的特征编码进行池化，例如（a）落于同一个维度的，（b）在同一个图像池化领域。采取适当的池化策略和编码策略可以在测试数据上得到非常具有竞争力的性能。现在考虑采用这种不同的编码和池化策略的不同实验。
《国外计算机科学教材系列·计算机视觉:一种现代方法(第二版)》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。
作者简介
作者:（美）David A. Forsyth（D. A. 福赛斯），（美）Jean Ponce（J. 泊斯） 译者:高永强等
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
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
第10章分组与模型拟合
第11章跟踪
第五部分高层视觉
第12章配准
第13章平滑的表面及其轮廓
第14章深度数据
第15章用于分类的学习
第16章图像分类
第17章检测图像中的物体
第18章物体识别
第六部分应用与其他主题
第19章基于图像的建模与渲染
第20章对人的观察
第21章图像搜索与检索
第七部分背景材料
第22章优化技术
文摘
版权页：
插图：
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，可以很好地缓解这种困难。
第二个困难是对具有非常不同意义的编码进行平均可能产生没有信息量的向量。这个问题在稀疏编码表征上将会变得异常困难。两个不同的图像块可能同时产生同样的非零成分。将这些项进行平均化看起来并不那么有用，而且会抑制信息。相反，我们可能仅仅需要在图像空间和特征空间连贯的领域进行池化。一种可能的处理办法是预聚类（preclustering）。在特征空间构建k均值聚类，每个聚类中心关联一个维度，我们仅仅对满足要求的特征编码进行池化，例如（a）落于同一个维度的，（b）在同一个图像池化领域。采取适当的池化策略和编码策略可以在测试数据上得到非常具有竞争力的性能。现在考虑采用这种不同的编码和池化策略的不同实验。
| ISBN | 9787121276170 |
|---|---|
| 出版社 | 电子工业出版社 |
| 作者 | 福赛斯 (David A.Forsyth) |
| 尺寸 | 16 |