計算機視覺：算法與應用(全二冊‧附配套用書)（簡體書）

《計算機視覺:算法與應用》探索了用于分析和解釋圖像的各種常用技術,描述了具有一定挑戰性的視覺應用方面的成功實例,兼顧專業的醫學成像和圖像編輯與交織之類有趣的大眾應用,以便學生能夠將其應用于自己的照片和視頻,從中獲得成就感和樂趣。《計算機視覺:算法與應用》從科學的角度介紹基本的視覺問題,將成像過程的物理模型公式化,然後在此基礎上生成對場景的逼真描述。作者還運用統計模型來分析和運用嚴格的工程方法來解決這些問題。
《計算機視覺:算法與應用》作為本科生和研究生“計算機視覺”課程的理想教材,適合計算機和電子工程專業學生使用,重點介紹現實中行之有效的基本技術,通過大量應用和練習來鼓勵學生大膽創新。此外,《計算機視覺:算法與應用》的精心設計和編排,使其可以作為計算機視覺領域中一本獨特的基礎技術參考和最新研究成果文獻。

作者：(美國)塞利斯基(Richard Szeliski) 譯者：艾海舟 興軍亮 等

塞利斯基，Richard Szeliski博士，計算機視覺領域的大師級人物。Szeliski博士在計算機視覺研究方面有25年以上的豐富經驗，先後任職干DEC和微軟研究院。1996年，他在微軟研究院任職期間，提出一種基于運動的全景圖像拼接模型，采用L—M算法，通過求圖像間的幾何變換關系來進行圖像匹配。此方法是圖像拼接領域的經典算法，Richard Szeliski也因此成為圖像拼接領域的奠基人。
艾海舟博士，清華大學計算機系教授，IEEE高級會員和IEEECS會員先後于1985年，1988年和1991年獲得清華大學工學學士、碩士和博士學位，博士論文榮獲“1992年度清華大學優秀博士論文”獎1994-1996年，在比利時布魯塞爾自由大學做博士後研究目前，在清華大學教授“數字圖像處理”和“計算機視覺”課程，研究方向為計算機視覺與模式識別，發表學術論文80余篇。

《計算機視覺:算法與應用》編輯推薦：作為人，我們可以輕松感知周圍的三維世界相比之下，不管計算機視覺在近年來已經取得多么令人矚目的成果，但要讓計算機能像兩歲小孩那樣解釋和理解圖像，卻仍然是一個遙不可及的夢想。為什么計算機視覺會成為如此富有挑戰性的難題？它當前發展到了哪個階段？圍繞著這些問題，《計算機視覺——算法與應用》探索了用于分析和解釋圖像的各種常用方法，描述了42個成功的視覺應用實例，既有醫學成像之類的專業應用，又有圖像編輯和拼接之類有趣的大眾應用。這種精心的編排和設計有利于學生將這些看似高深的技術應用于自己的照片和視頻.從而在趣味橫生的動手實踐中獲得成就感。
《計算機視覺:算法與應用》主題和特色：編排結構有利于活躍課堂氣氛，適合面向項目的課程，針對各種特定課程提供了《計算機視覺:算法與應用》使用提示。各章末尾的習題著重強調對算法的測試，重點包含大量針對小型期中課題的建議。附錄中提供額外的補充材料和更詳細的數學知識介紹，包括線性代數、數值方法和貝葉斯估計理論。完整的參考文獻和各章的補充閱讀，全面覆蓋各個子領域的最新研究進展和成果。配套網站提供豐富的課程補充材料。

第1章 概述
1.1 什么是計算機視覺？
1.2 簡史
1.3 本書概述
1.4 課程大綱樣例
1.5 標記法說明
1.6 擴展閱讀

第2章 圖像形成
2.1 幾何基元和變換
2.1.1 幾何基元
2.1.2 2D變換
2.1.3 3D變換
2.1.4 3D旋轉
2.1.5 3D到2D投影
2.1.6 鏡頭畸變
2.2 光度測定學的圖像形成
2.2.1 照明
2.2.2 反射和陰影
2.2.3 光學
2.3 數字攝像機
2.3.1 采樣與混疊
2.3.2 色彩
2.3.3 壓縮
2.4 補充閱讀
2.5 習題

第3章 圖像處理
3.1 點算子
3.1.1 像素變換
3.1.2 彩色變換
3.1.3 合成與摳圖
3.1.4 直方圖均衡化
3.1.5 應用：色調調整
3.2 線性濾波
3.2.1 可分離的濾波
3.2.2 線性濾波示例
3.2.3 帶通和導向濾波器
3.3 更多的鄰域算子
3.3.1 非線性濾波
3.3.2 形態學
3.3.3 距離變換
3.3.4 連通量
3.4 傅里葉變換
3.4.1 傅里葉變換對
3.4.2 二維傅里葉變換
3.4.3 維納濾波
3.4.4 應用：銳化，模糊和去噪
3.5 金字塔與小波
3.5.1 插值
3.5.2 降采樣
3.5.3 多分辨率表達
3.5.4 小波
3.5 ，5應用：圖像融合
3.6 幾何變換
3.6.1 參數化變換
3.6.2 基于網格的卷繞
3.6.3 應用：基于特征的變形
3.7 全局優化
3.7.1 正則化
3.7.2 馬爾科夫隨機場
3.7.3 應用：圖像的恢復
3.8 補充閱讀
3.9 習題

第4章 特征檢測與匹配
4.1 點和塊
4.1.1 特征檢測器
4.1.2 特征描述子
4.1.3 特征匹配
4.1.4 特征跟蹤
4.1.5 應用：表演驅動的動畫
4.2 邊緣
4.2.1 邊緣檢測
4.2.2 邊緣連接
4.2.3 應用：邊緣編輯和增強
4.3 線條
4.3.1 逐次近似
4.3.2 Hough變換
4.3.3 消失點
4.3.4 應用：矩形檢測
4.4 擴展閱讀
4.5 習題

第5章 分割
5.1 活動輪廓
5.1.1 蛇行
5.1.2 動態蛇行和CONDENSATION
5.1.3 剪刀
5.1.4 水平集
5.1.5 應用：輪廓跟蹤和轉描機
5.2 分裂與歸并
5.2.1 分水嶺
5.2.2 區域分裂（區分式聚類）
5.2.3 區域歸并（凝聚式聚類）
5.2.4 基于圖的分割
5.2.5 概率聚集
5.3 均值移位和模態發現
5.3.1 k-均值和高斯混合
5.3.2 均值移位
5.4 規范圖割
5.5 圖割和基于能量的方法
5.6 補充閱讀
5.7 習題

第6章 基于特征的配準
6.1 基于2D和3D特征的配準
6.1.1 使用最小二乘的2D配準
6.1.2 應用：全景圖
6.1.3 迭代算法
6.1.4 魯棒最小二乘和RANSAC
6.1.5 3D配準
6.2 姿態估計
6.2.1 線性算法
6.2.2 迭代算法
6.2.3 應用：增強現實
6.3 幾何內參數標定
6.3.1 標定模式
6.3.2 消失點
6.3.3 應用：單視圖測量學
6.3.4 旋轉運動
6.3.5 徑向畸變
6.4 補充閱讀
6.5 習題

第7章 由運動到結構
7.1 三角測量
7.2 二視圖由運動到結構
7.2.1 投影（未標定的）重建
7.2.2 自標定
7.2.3 應用：視圖變形
7.3 因子分解
7.3.1 透視與投影因子分解
7.3.2 應用：稀疏3D模型提取
……
第8章 稠密運動估計
第9章 圖像拼接
第10章 計算攝影學
第11章 立體視覺對應
第12章 3d重建
第13章 基于圖像的繪制
第14章 識別
第15章 結語
附錄a 線性代數與數值方法
附錄b 貝葉斯建模與推斷
附錄c 補充材料
詞匯表

特徵匹配驗證和緊致化

一旦我們得到一些假設的（推斷的）匹配，往往可以用幾何配准來驗證哪些匹配是“內點”（inlier），哪些是“外點”（outlier）。比如，如果我們預計出整個圖像在匹配視角上平移或者旋轉了，我們可以擬合出一個全域幾何變換並僅保留那些與估計出來的變換足夠接近的特徵。這個選擇一小部分種子匹配然後驗證更大集合的過程叫“隨機採樣”（random sampling）或者RANSAC（6.1.4節）。一旦建立初始的對應集合，一些系統就尋找額外的對應，比如，通過在極線上（11.1節）尋找額外的對應或者基於全域變換在估計位置的附近區域尋找對應。這些主題將在6.1，11.2，和14.3.1節中進一步討論。

4.1.4特徵跟蹤

在所有候選圖像中獨立地尋找特徵然後將它們進行匹配，另一種替代策略是，在第一幅圖像中尋找可能的特徵位置集合，然後在後續的圖像中搜索它們的對應位置。這類“這類”先檢測後跟蹤”（detect and track）的方法在視頻跟蹤應用中使用得非常廣泛，這裡，所期望的相鄰幀之間的運動和表觀的變形比較小。選擇好特徵來跟蹤的過程和選擇好特徵來進行更一般的識別應用緊密相關。在實際中，那些在兩個方向上梯度值均大的區域，也就是，自相關矩陣擁有大的特徵值的區域（4.8），提供了可用於尋找對應的穩定的位置（Shi and Tomasi 1994）。

在後續的幀中，搜索那些平方差小的對應圖像塊區域（4.1）通常很高效。但是，如果圖像的光照發生了變化，明確地補償這些變化（8.9）或者使用規範化互相關（normalized cross—correlation）（8.11）就可能很有用。如果搜索範圍很大，使用一種分層搜索策略常常更有效，它使用低解析度下的匹配來提供較好的初始猜測值，因此加速了搜索過程（8.1.1節）。這種策略的替代策略包括瞭解被跟蹤塊的表觀應該是什麼，然後在預測的位置附近搜索它（Avidan 2001；Jurie and Dhome 2002：Williams，Blake，and Cipolla 2003）。這些主題都將在8.1.3節中詳細描述。

如果特徵需要在較長的圖像序列中進行跟蹤，它們的表觀就會發生較大的變化。這樣就需要決定是繼續使用最初檢測到的圖像塊（特徵）進行匹配，還是在後續幀的匹配位置上重新採樣特徵。