数字图像目标检测与识别 理论与实践

1 (p1): 第1章 引言
2 (p1-1): 1.1 计算机视觉的一个例子
5 (p1-2): 1.2 全书内容概览
7 (p1-3): 参考文献
8 (p2): 第2章 计算机视觉中的张量方法
8 (p2-1): 2.1 摘要
8 (p2-2): 2.2 张量——一个数学对象
9 (p2-2-1): 2.2.1 线性空间的主要属性
9 (p2-2-2): 2.2.2 张量的概念
11 (p2-3): 2.3 张量——数据对象
13 (p2-4): 2.4 张量的基本属性
14 (p2-4-1): 2.4.1 张量指标和分量的符号
16 (p2-4-2): 2.4.2 张量积
17 (p2-5): 2.5 张量距离测量
19 (p2-5-1): 2.5.1 张量距离概述
24 (p2-5-2): 2.5.2 欧几里得图像距离和标准化变换
27 (p2-6): 2.6 张量场的滤波
27 (p2-6-1): 2.6.1 张量数据的顺序统计滤波
30 (p2-6-2): 2.6.2 各向异性扩散滤波
32 (p2-6-3): 2.6.3 扩散过程的实现
37 (p2-7): 2.7 采用结构张量观察图像
39 (p2-7-1): 2.7.1 二维图像空间中的结构张量
41 (p2-7-2): 2.7.2 空时结构张量
43 (p2-7-3): 2.7.3 多通道和尺度空间结构张量
45 (p2-7-4): 2.7.4 扩展结构张量
52 (p2-8): 2.8 采用惯性张量和矩的目标表示
57 (p2-9): 2.9 张量的特征分解和表示
60 (p2-10): 2.10 张量不变量
60 (p2-11): 2.11 多视点几何：多焦点张量
63 (p2-12): 2.12 多线性张量方法
65 (p2-12-1): 2.12.1 多线性代数的基本概念
94 (p2-12-2): 2.12.2 高阶奇异值分解（HOSVD）
96 (p2-12-3): 2.12.3 HOSVD的计算
102 (p2-12-4): 2.12.4 HOSVD诱导基
103 (p2-12-5): 2.12.5 张量最佳秩1近似
105 (p2-12-6): 2.12.6 张量的秩1分解
110 (p2-12-7): 2.12.7 最佳秩（R1，R2，…，Rp）近似
112 (p2-12-8): 2.12.8 最佳秩（R1，R2，…，Rp）近似的计算
123 (p2-12-9): 2.12.9 子空间数据表示
126 (p2-12-10): 2.12.10 非负矩阵因子分解
129 (p2-12-11): 2.12.11 非负矩阵因子分解的计算
133 (p2-12-12): 2.12.12 采用NMF的图像表示
135 (p2-12-13): 2.12.13 非负矩阵因子分解的实现
141 (p2-12-14): 2.12.14 非负张量因子分解
144 (p2-12-15): 2.12.15 目标识别的多线性方法
149 (p2-13): 2.13 结束语
149 (p2-13-1): 2.13.1 本章小结
150 (p2-13-2): 2.13.2 延伸阅读
151 (p2-14): 习题
152 (p2-15): 参考文献
158 (p3): 第3章 分类方法和算法
158 (p3-1): 3.1 摘要
158 (p3-2): 3.2 分类框架
162 (p3-3): 3.3 用于目标识别的子空间方法
162 (p3-3-1): 3.3.1 主成分分析
180 (p3-3-2): 3.3.2 子空间模式分类
184 (p3-4): 3.4 目标识别的统计公式
184 (p3-4-1): 3.4.1 参数化和非参数化方法
184 (p3-4-2): 3.4.2 概率框架
185 (p3-4-3): 3.4.3 贝叶斯决策规则
186 (p3-4-4): 3.4.4 最大后验分类方案
187 (p3-4-5): 3.4.5 二元分类问题
188 (p3-5): 3.5 参数化方法——混合高斯
192 (p3-6): 3.6 卡尔曼滤波器
195 (p3-7): 3.7 非参数化方法
195 (p3-7-1): 3.7.1 基于直方图的技术
197 (p3-7-2): 3.7.2 比较直方图
201 (p3-7-3): 3.7.3 多维直方图的实现
203 (p3-7-4): 3.7.4 Parzen方法
207 (p3-8): 3.8 均值移位方法
208 (p3-8-1): 3.8.1 均值移位简介
212 (p3-8-2): 3.8.2 连续自适应均值移位方法
214 (p3-8-3): 3.8.3 均值移位跟踪的算法方面
217…