《圖像局部不變性特征與描述》是按照概念-理論-方法-實(shí)例思路來(lái)依次組織的。第1章介紹有關(guān)局部不變性的歷史沿革和基本概念，第2章介紹有關(guān)局部不變性的尺度空間理論基礎(chǔ)，第3章至第7章詳細(xì)給出了局部不變性特征的實(shí)現(xiàn)方法，第8章評(píng)價(jià)了各種局部不變性方法并給出了若干應(yīng)庸實(shí)例。
適合工程技術(shù)人員閱讀，也可供高等院校相關(guān)專業(yè)師生參考。
圖像局部不變性特征是近10年來(lái)圖像處理、模式識(shí)別等領(lǐng)域里的一個(gè)研究熱點(diǎn)。很長(zhǎng)時(shí)間以來(lái)，人們一直期望機(jī)器能像人一樣智能地辨識(shí)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(jì)的70年代末80年代初，由于計(jì)算機(jī)的發(fā)明和處理能力的提高，在全球范圍內(nèi)興起了人工智能的研究熱潮，但不到10年時(shí)間，就有人斷言人工智能這門學(xué)科已經(jīng)是日薄西山。到20世紀(jì)的90年代初，神經(jīng)元網(wǎng)絡(luò)的研究也幾乎達(dá)到了狂熱的程度，但又是不到10年的時(shí)間，人們終于認(rèn)識(shí)到過(guò)去人工智能不能解決的問(wèn)題，神經(jīng)元網(wǎng)絡(luò)同樣不能解決。或許是當(dāng)年馮.諾伊曼發(fā)明的計(jì)算機(jī)存在嚴(yán)重的缺陷，或許是生物的智能和思維過(guò)程實(shí)在是太復(fù)雜。人類讓機(jī)器模仿人類自己本來(lái)就是一個(gè)悖論問(wèn)題，要不然，機(jī)器不就是真要統(tǒng)治人類了？一方面，現(xiàn)實(shí)的需求是那樣的強(qiáng)烈，人們有太多的事情需要機(jī)器可以智能地去處理，而另一方面，智能研究的進(jìn)展又是那樣的遲緩，需求者的抱怨總是此起彼伏。
21世紀(jì)初，圖像局部不變性特征研究的興起，又一次點(diǎn)燃了人們對(duì)智能研究的熱情，雖然它沒(méi)有像當(dāng)年人工智能、神經(jīng)元網(wǎng)絡(luò)的倡導(dǎo)者們聲稱的那樣能包打天下，但它的確實(shí)實(shí)在在地解決了我們過(guò)去沒(méi)有解決的實(shí)際問(wèn)題。對(duì)于圖像局部不變性特征方法，核心是“不變性”三個(gè)字。人類在識(shí)別一個(gè)物體時(shí)，不管這個(gè)物體或遠(yuǎn)或近，都能對(duì)它進(jìn)行正確的辨認(rèn)，這就是所謂的尺度不變性。同樣，當(dāng)這個(gè)物體發(fā)生旋轉(zhuǎn)時(shí)，我們照樣可以正確地辨認(rèn)它，這就是所謂的旋轉(zhuǎn)不變性……那么，如何讓機(jī)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(wèn)題。
提到圖像局部不變性特征，有兩個(gè)人是不得不提及的，一個(gè)是Lindeberg，另一個(gè)是Lowe。如果將局部不變性特征方法比作一個(gè)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(chǔ)，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(shí)現(xiàn)的方法。
第1章 引言
1.1 局部特征發(fā)晨歷程
1.2 常用術(shù)語(yǔ)
1.3 局部特征性質(zhì)
1.4 局部特征應(yīng)用
1.5 局部特征配準(zhǔn)流程和本書的結(jié)構(gòu)
參考文獻(xiàn)
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(zhì)
2.2.1 多尺度和多分辨率
2.2.2 尺度空間和生物視覺(jué)
2.3 自動(dòng)尺度選擇
2.3.1 尺度選擇思路
2.3.2 尺度選擇準(zhǔn)則
2.4 斑點(diǎn)(Blob)檢測(cè)
2.4.1 一維信號(hào)斑點(diǎn)檢測(cè)
2.4.2 LoG檢測(cè)
2.4.3 DoH檢測(cè)
2.5 邊緣(Edge)檢測(cè)
2.6 角點(diǎn)(Corner)檢測(cè)
2.6.1 角點(diǎn)定位算法
2.6.2 角點(diǎn)檢測(cè)效果
參考文獻(xiàn)
第3章 點(diǎn)與邊緣檢測(cè)
3.1 Harris角點(diǎn)
3.2 尺度不交性Harris角點(diǎn)
3.2.1 Harris尺度不變性問(wèn)題
3.2.2 多尺度二階矩
3.2.3 多尺度Harris角點(diǎn)
3.2.4 多尺度Harris角點(diǎn)精化
3.3 仿射不交性Harris角點(diǎn)
3.3.1 初始定位：Affine Gaussian Scale-Space
3.3.2 仿射不變性角點(diǎn)檢測(cè)
3.4 SUSAN檢測(cè)算子
3.5 邊緣檢測(cè)
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(cè)算子
參考文獻(xiàn)
第4章 高效斑點(diǎn)檢測(cè)方法
4.1 SIFT算法
4.1.1 DoG尺度空間生成
4.1.2 特征點(diǎn)搜索
4.1.3 點(diǎn)的搜索與定位
4.1.4 刪除邊緣效應(yīng)
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(xiàn)
第5章 區(qū)域檢測(cè)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(cè)
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
5.4.2 圓形顯著性區(qū)域
5.4.3 非對(duì)稱顯著性區(qū)域
參考文獻(xiàn)
第6章 圖像局部特征描述
6.1 SIFT特征描述子
6.1.1 特征點(diǎn)方向分配
6.1.2 特征點(diǎn)特征矢量生成
6.2 SURF特征描述子
6.2.1 特征點(diǎn)方向分配
6.2.2 特征點(diǎn)特征矢量生成
6.3 其他特征描述子
6.3.1 PCA-SIFT
6.3.2 GLOH
6.3.3 旋轉(zhuǎn)圖像
6.3.4 微分濾波器
參考文獻(xiàn)
第7章 圖像特征點(diǎn)匹配
7.1 Kd-樹算法
7.1.1 構(gòu)建算法
7.1.2 最近鄰查詢算法
7.1.3 改進(jìn)Kd-樹最近鄰查詢
7.1.4 Kd-樹和Spill-樹
7.1.5 Kd-樹與窮盡搜索比較
7.2 匹配對(duì)提純
7.2.1 比值提純法
7.2.2 一致性提純法
參考文獻(xiàn)
第8章 評(píng)估和應(yīng)用
8.1 斑點(diǎn)檢測(cè)算子比較
8.1.1 圖像數(shù)據(jù)
8.1.2 尺度縮放比較
8.1.3 視角變換比較
8.1.4 光照變化比較
8.1.5 圖像模糊
8.2 區(qū)域檢測(cè)算子比較
8.2.1 區(qū)域仿射不變算子的評(píng)價(jià)準(zhǔn)則
8.2.2 度縮放+旋轉(zhuǎn)
8.2.3 視角變換
8.2.4 光照變化
8.2.5 圖像模糊
8.3 局部特征的應(yīng)用
8.3.1 數(shù)字?jǐn)z影測(cè)量
8.3.2 正射影像更新
8.3.3 視頻圖像拼接
8.3.4 目標(biāo)跟蹤
8.3.5 目標(biāo)識(shí)別
參考文獻(xiàn)
索引
長(zhǎng)久以來(lái)，機(jī)器視覺(jué)認(rèn)知一直是人們研究的熱點(diǎn)，它是研究使用機(jī)器或計(jì)算機(jī)智能地認(rèn)知周圍物體的科學(xué)。然而，即使是一個(gè)十分簡(jiǎn)單物體，要使用機(jī)器或計(jì)算機(jī)去識(shí)別它都是一件十分不容易的事。其中，最為關(guān)鍵的莫過(guò)于是物體的表示或描述，也就是說(shuō)，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(wèn)題的希望，它作為一種十分有效的手段已被成功地應(yīng)用到廣泛的領(lǐng)域和系統(tǒng)中，包括寬基線匹配、物體檢測(cè)和識(shí)別、紋理識(shí)別、場(chǎng)景分類、機(jī)器人漫游、視覺(jué)數(shù)據(jù)挖掘等。另外，局部不變性特征也被用于精確制導(dǎo)武器的景象匹配和圖像自動(dòng)尋的制導(dǎo)中。
1.1 局部特征發(fā)展歷程
有關(guān)圖像局部特征研究的歷史可以追溯到20世紀(jì)70年代末。1977年MoravectI】就提出了角點(diǎn)特征，當(dāng)時(shí)他使用的是“興趣點(diǎn)”這個(gè)概念。Moravec通過(guò)灰度自相關(guān)函數(shù)來(lái)考慮一個(gè)像素和其鄰域像素的相似性。對(duì)于位于平坦區(qū)域的像素，很顯然它跟周圍的點(diǎn)看起來(lái)都差不多，而像素處在多個(gè)方向都有亮度變化的位置時(shí)就與周圍像素不相似了，這就是所要檢測(cè)的角點(diǎn)。Moravec角點(diǎn)檢測(cè)有很多局限性，例如它不具備旋轉(zhuǎn)不變性，對(duì)噪聲敏感等�，F(xiàn)在一般只在介紹局部特征歷史的時(shí)候才會(huì)被人提及到。1988年HarrisI[2]提出了角點(diǎn)特征算法。與Moravec角點(diǎn)不同，Harris用微分算子替代了亮度塊的方向移動(dòng)，構(gòu)造了具有結(jié)構(gòu)信息的2x2 Harris矩陣。如果這個(gè)矩陣具有兩個(gè)比較大的特征值時(shí)，則被認(rèn)定為是一個(gè)角點(diǎn)特征。由于采用微分算子和矩陣特征值進(jìn)行判定，Harris角點(diǎn)比。Moravec角點(diǎn)具有更高的檢測(cè)率和重復(fù)率，并且對(duì)旋轉(zhuǎn)和灰度變化具有不變性。到目前為止，Harris角點(diǎn)在某些應(yīng)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(jì)90年代系統(tǒng)地提出了信號(hào)的尺度空間理論。為了分析圖像中各個(gè)局部特征的尺度，圖像需要通過(guò)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。
書單推薦
