图像特征处理技术及应用

由于图像特征处理技术在图像分类、目标检测识别和显著性计算领域的快速发展，使得计算机在真实场景中理解和分析图像内容的能力越来越智能化。本书从图像特征提取、图像特征降维和图像特征编码技术出发，重点描述了图像特征处理技术的构成特点，并广泛介绍了此技术在真实场景中的应用。

由于图像特征处理技术在图像分类、目标检测识别和显著性计算领域的快速发展，使得计算机在真实场景中理解和分析图像内容的能力越来越智能化。本书从图像特征提取、图像特征降维和图像特征编码技术出发，重点描述了图像特征处理技术的构成特点，并广泛介绍了此技术在真实场景中的应用。

第一章图像特征编码技术概述1
1.1图像特征编码技术背景及意义1
1.2图像特征编码方法起源与发展2
1.3内容总结与概括5
1.3.1图像分类5
1.3.2显著性目标检测6
1.3.3行人重识别10
1.4本书主要特点13
第二章图像特征提取及编码15
2.1图像特征15
2.1.1图像局部特征15
2.1.2颜色特征17
2.1.3纹理特征18
2.1.4协方差描述子19
2.2特征编码19
2.2.1基于表示的分类22
2.2.2基于约束项的分类24
2.2.3局部特征编码算法数学模型25
2.3常用的公共数据集29
2.3.1图像分类数据集29
2.3.2显著性目标检测数据集29
2.3.3行人重识别数据集30
2.4总结31
第三章码本学习与图像分类32
3.1发展历史32
3.2特征编码方法34
3.2.1矢量量化34
3.2.2稀疏编码35
3.2.3局部约束线性编码35
3.2.4码本学习方法36
3.3特征编码和类码本学习37
3.4基于特征编码及类码本学习的实验结果39
3.4.1Caltech101实验结果分析40
3.4.2Scene15和UIUC8实验结果43
3.4.3实验分析和讨论46
3.5总结47
第四章显著性目标计算48
4.1引言48
4.2显著性计算方法49
4.2.1自顶向下显著性方法49
4.2.2特征编码方法50
4.2.3CRF模型51
4.3基于局部性编码和CRF模型的显著性目标计算方法51
4.3.1编码51
4.3.2学习显著性目标模型52
4.3.3MSRA-B数据集54
4.3.4Graz-02数据集55
4.3.5Horse和Plane数据集58
4.4总结59
第五章背景度量和自顶向下模型60
5.1引言60
5.2显著性目标计算相关工作61
5.2.1背景度量方法62
5.2.2自顶向下方法63
5.2.3编码方法63
5.3融合背景信息和自顶向下模型的显著性目标计算方法64
5.3.1鲁棒背景度量显著性计算64
5.3.2LLC和CRF显著性目标模型65
5.4显著性目标计算实验结果67
5.4.1Graz-02数据集68
5.4.2PASCALVOC2007数据集70
5.5总结72
第六章基于图像特征编码的行人重识别73
6.1引言73
6.2行人重识别相关工作74
6.2.1行人重识别流程75
6.2.2行人重识别方法76
6.2.3特征表示模块77
6.2.4模型学习78
6.3行人重识别系统框架79
6.3.1行人重识别系统框架图79
6.3.2行人检测80
6.3.3图像特征提取82
6.3.4行人重识别匹配准则84
6.4行人重识别实验结果85
6.4.1VIPeR数据集87
6.4.2CAVIAR4REID数据集89
6.4.3ETHZ数据集91
6.4.4i-LIDS数据集94
6.4.5校园采集数据集95
6.5总结100
第七章目标检测与跟踪101
7.1传统的目标检测与跟踪方法101
7.1.1传统的目标检测方法101
7.1.2传统的目标跟踪方法103
7.2基于深度学习的目标检测与跟踪105
7.2.1基于深度学习的目标检测算法105
7.2.2基于深度学习的目标跟踪算法107
7.3多种颜色特征提取109
7.4目标检测与跟踪在实际场景中的应用111
7.4.1目标检测在实际场景中的应用112
7.4.2目标跟踪在实际场景中的应用113
7.5实验结果分析114
7.6总结117
第八章视觉注意力机制119
8.1传统视觉注意力机制119
8.1.1视觉注意力机制119
8.1.2Encoder-Decoder框架原理122
8.1.3Attention模型124
8.2深度视觉注意力机制126
8.2.1空间域126
8.2.2通道域127
8.3视觉注意力机制在目标检测识别中的应用128
8.3.1目标检测129
8.3.2缺陷检测129
8.3.3小目标检测129
8.4总结130
第九章图像细粒度识别131
9.1图像细粒度识别技术概述131
9.2基于强监督信息的识别模型134
9.2.1Part-basedR-CNN134
9.2.2PoseNormalizedCNN136
9.2.3其他强监督识别模型136
9.3基于弱监督信息的识别模型137
9.3.1网络结构方法138
9.3.2多特征融合和损失函数优化方法139
9.4目标细粒度识别技术的应用140
9.5展望142
第十章图像分割技术143
10.1传统图像分割技术143
10.2深度学习图像分割方法148
10.3图像分割技术在实际场景中的应用152
10.4总结153
第十一章深度神经网络特征在实际场景中的应用154
11.1深度神经网络在甲骨文识别中的应用154
11.1.1甲骨文研究的重要意义及研究目的154
11.1.2甲骨文识别研究现状155
11.1.3深度卷积神经网络在甲骨文识别上的应用156
11.1.4基于深度卷积神经网络的甲骨文识别160
11.2基于深度特征的烟雾识别方法163
11.2.1国内外研究现状及发展动态分析163
11.2.2烟雾视频数据集171
11.2.3烟雾识别方法171
11.2.4检测结果分析176
11.3总结177
参考文献179