计算机视觉
全新正版 假一赔十 可开发票
￥ 72.5 6.1折 ￥ 119 全新
库存3件
北京海淀
认证卖家担保交易快速发货售后保障
作者(英)西蒙J.D.普林斯(Simon J.D.Prince) 著;苗启广 等 译
出版社机械工业出版社
ISBN9787111516828
出版时间2017-06
装帧平装
开本16开
定价119元
货号1201535194
上书时间2024-05-05
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
西蒙 J.D.普林斯(Simon J.D.Prince)博士，是伦敦大学学院计算机科学系不错讲师，讲授过机器视觉、图像处理和高等数学方法等课程。他拥有生物科学与计算机科学等多种学科背景，并在计算机视觉、生物学、心理学、生理学、医学成像、计算机图形学和人机交互等跨学科领域发表过多篇论文。
目录
译者序
译者简介
序
前言
章绪论
1.1本书结构
1.2其他书籍
部分概率
第2章概率概述
2.1随机变量
2.2联合概率
2.3边缘化
2.4条件概率
2.5贝叶斯公式
2.6独立性
2.7期望
讨论
备注
习题
第3章常用概率分布
3.1伯努利分布
3.2贝塔分布
3.3分类分布
3.4狄利克雷分布
3.5一元正态分布
3.6正态逆伽马分布
3.7多元正态分布
3.8正态逆维希特分布
3.9共轭性
总结
备注
习题
第4章拟合概率模型
4.1优选似然法
4.2优选后验法
4.3贝叶斯方法
4.4算例1：一元正态分布
4.4.1优选似然估计
4.4.2优选后验估计
4.4.3贝叶斯方法
4.5算例2：分类分布
4.5.1优选似然法
4.5.2优选后验法
4.5.3贝叶斯方法
总结
备注
习题
第5章正态分布
5.1协方差矩阵的形式
5.2协方差分解
5.3变量的线性变换
5.4边缘分布
5.5条件分布
5.6正态分布的乘积
5.7变量改变
总结
备注
习题
第二部分机器视觉的机器学习
第6章视觉学习和推理
6.1计算机视觉问题
6.2模型的种类
6.2.1判别模型
6.2.2生成模型
6.3示例1：回归
6.3.1判别模型
6.3.2生成模型
6.4示例2：二值分类
6.4.1判别模型
6.4.2生成模型
6.5应该用哪种模型
6.6应用
6.6.1皮肤检测
6.6.2背景差分
总结
备注
习题
第7章复杂数据密度建模
7.1正态分类模型
7.2隐变量
7.3期望优选化
7.4混合高斯模型
7.4.1混合高斯边缘化
7.4.2基于期望优选化的混合模型拟合
7.5t分布
7.5.1学生t分布边缘化
7.5.2拟舍t分布的期望优选化
7.6因子分析
7.6.1因子分析的边缘分布
7.6.2因子分析学习的期望优选化
7.7组合模型
7.8期望优选化算法的细节
7.8.1期望优选化算法的下界
7.8.2E步
7.8.3M步
7.9应用
7.9.1人脸检测
7.9.2目标识别
7.9.3分割
7.9.4正脸识别
7.9.5改变人脸姿态（回归）
7.9.6作为隐变量的变换
总结
备注
习题
第8章回归模型
8.1线性回归
8.1.1学习
8.1.2线性回归模型的问题
8.2贝叶斯线性回归
8.2.1实际考虑
8.2.2拟合方差
8.3非线性回归
8.3.1优选似然法
8.3.2贝叶斯非线性回归
8.4核与核技巧
8.5高斯过程回归
8.6稀疏线性回归
8.7二元线性回归
8.8相关向量回归
8.9多变量数据回归
8.10应用
8.10.1人体姿势估计
8.10.2位移专家
讨论
备注
习题
第9章分类模型
9.1逻辑回归
9.1.1学习：优选似然估计
9.1.2逻辑回归模型的问题
9.2贝叶斯逻辑回归
9.2.1学习
9.2.2推理
9.3非线性逻辑回归
9.4对偶逻辑回归模型
9.5核逻辑回归
9.6相关向量分类
9.7增量拟合和boostjng
9.8分类树
9.9多分类逻辑同归
9.10随机树、随机森林和随机蕨分类器
9.11与非概率模型的联系
9.12应用
9.12.1性别分类
9.12.2脸部和行人检测
9.12.3语义分割
9.12.4恢复袁面布局
9.12.5人体部位识别
讨论
备注
习题
第三部分连接局部模型
0章图模型
10.1条件独立性
10.2有向图模型
10.2.1示例1
10.2.2示例2
10.2.3示例3
10.2.4总结
10.3无向图模型
10.3.1示例1
10.3.2示例2
10.4有向图模型与无向图模型的对比
10.5计算机视觉中的图模型
10.6含有多个未知量的模型推理
10.6.1求优选后验概率的解
10.6.2求后验概率分布的边缘分布
10.6.3优选化边缘
10.6.4后验分布的采样
10.7样本采样
10.7.1有向图模型的采样
10.7.2无向图模型的采样
10.8学习
10.8.1有向图模型的学习
10.8.2无向图模型的学习
讨论
备注
习题
1章链式模型和树模型
11.1链式模型
11.1.1有向链式模型
11.1.2无向链式模型
11.1.3模型的等价性
11.1.4隐马尔可夫模型在手语中的应用
11.2链式MAP推理
11.3树的MAP推理
11.4链式边缘后验推理
11.4.1求解边缘分布
11.4.2前向后向算法
11.4.3置信传播
11.4.4链式模型的和积算法
11.5树的边缘后验推理
11.6链式模型和树模型的学习
11.7链式模型和树模型之外的东西
11.8应用
11.8.1手势跟踪
11.8.2立体视觉
11.8.3形象化结构
11.8.4分割
讨论
备注
习题
2章网格模型
12.1马尔可夫随机场
12.1.1网格示例
12.1.2离散成对MRF图像去噪
12.2二值成对马尔可夫随机场的MAP推理
12.2.1优选流／最小割
12.2.2MAP推理：二值变量
12.3多标签成对MRF的MAP推理
12.4非凸势的多标签MRF
12.5条件随机场
12.6高阶模型
12.7网格有向模型
12.8应用
12.8.1背景差分
12.8.2交互式分割
12.8.3立体视觉
12.8.4图像重排
12.8.5超分辨率
12.8.6纹理合成
12.8.7合成新面孔
讨论
备注
习题
第四部分预处理
3章图像预处理与特征提取
13.1逐像素变换
13.1.1白化
13.1.2直方图均衡化
13.1.3线性滤波
13.1.4局部二值模式
13.1.5纹理基元映射
13.2边缘、角点和兴趣点
13.2.1Canny边缘检测器
13.2.2Harris角点检测器
13.2.3SIFT检测器
13.3描述子
13.3.1直方图
13.3.2SIFT描述于
13.3.3方向梯度直方图
13.3.4词袋描述子
13.3.5形状内容描述子
13.4降维
13.4.1单数值近似
13.4.2主成分分析
13.4.3二元主成分分析
13.4.4K均值算法
结论
备注
习题
第五部分几何模型
4章针孔摄像机
14.1针孔摄像机简介
14.1.1归一化摄像机
14.1.2焦距参数
14.1.3偏移量和偏移参数
14.1.4摄像机的位置与方向
14.1.5全针孔摄像机模型
14.1.6径向畸变
14.2三个几何问题
14.2.1问题1：学习外在参数
14.2.2问题2：学习内在拳数
14.2.3问题3：推理3D世界点
14.2.4解决问题
14.3齐次坐标
14.4学习外在参数
14.5学习内在参数
14.6推理3D世界点
14.7应用
14.7.1结构光的深度
14.7.2剪影重构
讨论
备注
习题
5章变换模型
15.1二维变换模型
15.1.1欧氏变换模型
15.1.2相似变换模型
15.1.3仿射变换模型
15.1.4投影变换模型
15.1.5增加不确定性
15.2变换模型中的学习
15.2.1学习欧氏参数
15.2.2学习相似参数
15.2.3学习仿射参数
15.2.4学习投影参数
15.3变换模型中的推理
15.4平面的三个几何问题
15.4.1问题1：学习外在参数
15.4.2问题2：学习内在参数
15.4.3问题3：与摄像机相关的3D位置推理
15.5图像间的变换
15.5.1单应性的几何特征
15.5.2计算图像间的变换
15.6变换的鲁棒学习
15.6.1RANSAC
15.6.2连续RANSAC
15.6.3PEaRL
15.7应用
15.7.1增强现实追踪
15.7.2视觉全景
讨论
备注
习题
6章多摄像机系统
16.1双视图几何学理论
16.1.1极线约束
16.1.2极点
16.2实矩阵
16.2.1实矩阵的属性
16.2.2实矩阵的分解
16.3基础矩阵
16.3.1基础矩阵的估计
16.3.28点算法
16.4双视图重构的流程
16.5校正
16.5.1平面校正
16.5.2极面校正
16.5.3校正后处理
16.6多视图重构
16.7应用
16.7.1三维重构
16.7.2图片浏览
16.7.3立体图割
讨论
备注
习题
……
第六部分视觉模型
第七部分附录
内容摘要
本书是一本从机器学习视角讲解计算机视觉的很好好的教材。全书图文并茂、语言浅显易懂，算法描述由浅入深，即使是数学背景不强的学生也能轻松理解和掌握。作者展示了如何使用训练数据来学习观察到的图像数据和我们希望预测的现实世界现象之间的联系，以及如何如何研究这些联系来从新的图像数据中作出新的推理。本书要求少的前导知识，从介绍概率和模型的基础知识开始，接着给出让学生能够实现和修改来构建有用的视觉系统的实际示例。适合作为计算机视觉和机器学习的高年级本科生或研究生的教材，书中详细的方法演示和示例对于计算机视觉领域的专业人员也很好有用。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价