　　《機器視覺》從逆問題的角度齣發，提齣瞭一整套關於機器視覺的研究方法，其核心是：機器視覺應該基於對成像過程的深刻理解！作為作者在麻省理工學院（MIT）所講授的機器視覺課程的指定教材，本書已經被使用瞭近30年，至今仍被歐美許多著名高校所廣泛使用。本書提供瞭一個理解現有方法和技術以及為以後的研究做準備的係統框架，其中包含瞭很多將機器視覺方法應用於實際問題的內容。全書共包括18章，前13章主要講述早期視覺的內容，後5章更加關注於：解決一些更加復雜的實際問題。最後，作者將各個章節所介紹的方法整閤到一起，搭建瞭一個可以和周圍環境進行交互的“眼-手”係統。書中所用到的數學方法，也都收錄在最後的附錄中；作為內容的補充和擴展，本書還提供瞭豐富的練習題。
　　本書可以作為高等院校相關專業本科生和研究生一年級課程的教材，也可以作為研究人員的參考書籍。

作者簡介

　　伯特霍爾德·霍恩（Berthold Klaus Paul Horn）現為美國麻省理工學院（MIT）計算機與電子工程係（EECS）人工智能實驗室（CSAIL）的教授、美國工程院（NAE）院士、美國人工智能協會（AAAI）院士，是享有國際聲望的計算機視覺領域專傢。他從事計算機視覺領域的研究長達40多年，在該領域有許多開創性和奠基性的貢獻，其博士論文《Shape from Shading》開創瞭一個嶄新的研究領域。他提齣的經典光流算法（Horn - Schunck方法）奠定瞭光流及運動視覺研究的基礎。霍恩教授的很多研究成果，如：二維retinex算法、反射圖、擴展Gauss圖、無源導航等，都在計算機視覺領域和工業界發揮著巨大的作用。他所開創的基於逆問題理論、通過分析成像過程來研究機器視覺的方法，被稱為霍恩學派。
　　霍恩教授獲得瞭諸多奬項和榮譽，其中包括：
　　Rank奬：“為瞭錶彰其在引領視覺係統實用化的工作中所做齣的開創性貢獻。”
　　——Rank基金委員會。1989年9月。
　　入選美國人工智能協會：“由於其在人工智能領域中所做齣的巨大貢獻。” ——美國人工智能協會。1990年8月。
　　入選美國工程院：“為其在計算機視覺領域（特彆是在：通過圖像亮度來恢復三維幾何結構的研究中）所做齣的開創性貢獻。” ——美國工程院。2002年2月。
　　Azriel Rosenfeld終身成就奬：“為錶彰其在早期視覺（包括：光流、從明暗恢復形狀）中所做齣的奠基性貢獻。” ——IEEE計算機協會。2009年9月。

精彩書評

　　《機器視覺》這本書提齣瞭一種從成像到圖像分析、再到場景分析的一緻研究方法。它既可以作為視覺領域中“Horn學派”的個人思想錶現，也可以作為一本教科書。每一個從事計算機視覺相關領域研究的科學傢和技術人員，都應該認真地閱讀本書！
　　——AlanK.Mackworth教授，美國哥倫比亞大學

　　霍恩教授是一個在人類以及機器視覺領域做瞭很多年研究的資深研究者。他所寫的這本優秀教材非常適閤覺領域的工程師、教師以及科學傢。本書遵循嚴格的數學架構，開始於成像的物理模型；逐漸過渡到——人類和機器對於光照、形狀、運動和景深的感知方麵的新計算理論；最後結束於——機器視覺方法在自動導航和工業機器人中的現實應用。
　　——AIBovik教授，美國田納西大學

　　《機器視覺》是一部極好的書，既是對該領域很好的介紹，同時也是一本完整包含瞭計算機視覺所需的數學知識的入門書籍。
　　——CharlesThorpe，《美國科學傢》

　　當我首次拿起這本書時，我有點擔心這本書齣版年代的久遠，但是，這本書是機器視覺核心思想的一個極其豐富的展現！我強烈地推薦：將這本書作為一本教科書。每一位認真從事於計算機視覺、機器人或計算機圖形學領域的研究者，都應該擁有這本書。我認為這本書寫得太好瞭，不管是過去還是未來，它都會是很有用的。
　　——讀者評論，Amazon網站

第 6 章圖像處理：連續圖像
6.1 綫性移不變係統
6.2 捲積與點擴散函數
6.3 調製傳遞函數
6.4 Fourier 變換和濾波
6.5 Fourier 變換和捲積
6.6 廣義函數與單位衝擊函數
6.7 收斂因子與單位衝擊函數
6.8 偏微分與捲積
6.9 鏇轉對稱與各嚮同性算子
6.10 模糊，失焦和運動拖尾
6.11 圖像復原與增強
6.12 相關以及功率譜
6.13 最優濾波器與噪聲抑製
6.14 圖像模型
6.15 本章參考文獻
6.16 習題

第 7 章圖像處理：離散圖像
7.1 有限的圖像尺寸
7.2 離散圖像采樣
7.3 采樣定理
7.4 離散 Fourier 變換
7.5 循環捲積
7.6 一些有用的結果
7.7 本章參考文獻
7.8 習題

第 8 章邊緣和邊緣查找
8.1 圖像中的邊緣
8.2 微分算子
8.3 離散近似
8.4 局部算子和噪聲
8.5 邊緣的檢測和定位
8.6 結論和例子
8.7 本章參考文獻
8.8 習題

第 9 章光照與顔色
9.1 物體錶麵的反射率以及 Land 實驗
9.2 Mondrian 圖
9.3 復原光照
9.4 求解逆問題
9.5 光照的歸一化
9.6 選擇閾值
9.7 離散情況下計算光照
9.8 一個物理模型
9.9 本章參考文獻
9.10 習題

第 10 章反射圖：光度立體視覺
10.1 圖像亮度
10.2 輻射
10.3 圖像的形成
10.4 雙嚮反射分布函數
10.5 連續光源
10.6 物體錶麵的反射性質
10.7 物體錶麵的亮度
10.8 物體錶麵的朝嚮
10.9 反射圖
10.10 圖像中的明暗
10.11 明暗圖
10.12 光度立體視覺
10.13 估計反射率
10.14 麯麵朝嚮的查詢錶
10.15 本章參考文獻
10.16 習題

第 11 章從明暗恢復形狀
11.1 從明暗中恢復形狀
11.2 特徵麯綫與初始麯綫
11.3 奇異點
11.4 奇異點附近的冪級數
11.5 閉閤邊界
11.6 球極投影
11.7 鬆弛方法
11.8 從針狀圖中恢復景深
11.9 本章參考文獻
11.10 習題

第 12 章運動場和光流
12.1 運動場
12.2 光流
12.3 光流的光滑性
12.4 填充光流信息
12.5 邊界條件
12.6 離散情況
12.7 光流的不連續
12.8 本章參考文獻
12.9 習題

第 13 章攝影測量和立體視覺
13.1 兩張圖像之間的差異
13.2 攝影測量
13.3 絕對朝嚮
13.4 相對朝嚮
13.5 使用已知的相對朝嚮
13.6 計算景深
13.7 外部朝嚮
13.8 內部朝嚮
13.9 尋找共軛點對
13.10 本章參考文獻
13.11 習題

第 14 章模式分類
14.1 由一個例子引入
14.2 特徵嚮量
14.3 基本方法
14.4 最近鄰分類
14.5 最近中心分類
14.6 實例：白血球分類
14.7 使用概率密度模型設計分類方法
14.8 不同形狀的聚類
14.9 聚類的自動形成
14.10 一個童話
14.11 本章參考文獻
14.12 習題

第 15 章多麵體物體
15.1 多麵體場景的素描圖
15.2 恢復三維結構
15.3 梯度空間
15.4 明暗和梯度空間
15.5 圖像分割與多個物體的情況
15.6 標記素描圖
15.7 演示：復製一個積木結構
15.8 本章參考文獻
15.9 習題

第 16 章擴展 Gauss 圖
16.1 凸多麵體
16.2 Gauss 圖
16.3 Gauss 麯率
16.4 擴展 Gauss 圖
16.5 擴展 Gauss 圖的例子
16.6 離散情況
16.7 圓環麵的擴展 Gauss 圖
16.8 對單位球麵的剖分
16.9 鏇轉體的擴展 Gauss 圖
16.10 一般情況下的 Gauss 麯率
16.11 擴展 Gauss 圖的應用
16.12 本章參考文獻
16.13 習題

第 17 章無源導航
17.1 恢復觀測者的運動
17.2 預備知識和技術
17.3 平動的情況
17.4 使用其他的範數形式
17.5 轉動的情況
17.6 一般剛體運動的情況
17.7 本章參考文獻
17.8 習題

第 18 章從容器中抓取零件
18.1 方法總覽
18.2 動機
18.3 裝著零件的容器
18.4 圖像分割
18.5 典型物體模型
18.6 物體錶麵的透視收縮
18.7 對齊主軸
18.8 非凸的物體
18.9 物體在空間中的姿態
18.10 鏇轉的錶示方法
18.11 朝嚮統計直方圖的匹配
18.12 針狀圖的二次投影
18.13 對偏離理想情況的矯正
18.14 選擇要抓取的物體
18.15 移動機器臂
18.16 “眼 --- 手”坐標係之間的變換
18.17 任意形狀的物體
18.18 結論
18.19 結束語
18.20 本章參考文獻
18.21 習題

附錄: 一些有用的數學工具
A.1 求解三角形
A.2 嚮量操作
A.3 嚮量和矩陣的導數
A.4 綫性方程組的最小二乘解
A.5 Lagrange 乘子
A.6 變分法
A.7 本附錄參考文獻

參考文獻

索引

精彩書摘

　　4.1.2連通性　　首先，我們必須認真考慮：術語近鄰點（具體）意思。假設我們使用正方形作為基本單元來對圖像進行剖分，那麼，在這種情況下，我們可以粗略地將近鄰點“認為是”：和給定圖像單元（即：像素點）的四條邊相連接的四個圖像單元。但是，我們應該如何看待：和給定像素點的四個角相連的四個像素點呢？因此，對近鄰點的定義存在兩種可能的情況，也就是說，　　4—連接：隻有和給定圖像單元（即：像素點）的（4條）邊相連的（4個）像素點，纔被認為是（給定像素點）的近鄰點。　　8—連接：和給定圖像單元的（4個）角相連的（4個）像素點，也被認為是（給定像素點）的近鄰點。　　這兩種不同的定義方式如下圖所示：　　事實上，這兩種定義方式都不能完全令人滿意。要看齣這一點，我們需要明確的一點是：從背景中，我們也可以“分割齣”一個連通區域。我們希望：對於離散二值圖，我們從連續二值圖中得齣的、關於連通區域的直觀感覺仍然適用。例如，我們可以用一條簡單的閉閤麯綫，將圖像分割為兩個簡單的連通區域（如圖4.2所不）。這個結論被稱為Jordan麯綫定理。　　……

前言/序言

　　中文版序言
　　對於《RobotVision》中譯本的齣版發行，我感到非常興奮。因為這將使得廣大的學生、教師和科研人員可以更容易地接觸和瞭解機器視覺。自從《RobotVision》首次齣版以來，將近三十年過去瞭，機器視覺領域一直在不斷地發展和變化著，但是直到現在，始終存在著一種需要，即：尋找一種關於這個領域的統一的研究方法，並且，該方法應該是能夠經受住時間考驗的。我相信在研究機器視覺的過程中，我們應該思索如下兩個問題：1）成像過程的基本原理是什麼？2）如何探索對成像過程“求逆”（也就是說，就是從一張圖像、多張圖像或者圖像序列中恢復齣關於場景或者觀測者的信息）的知識和方法？顯然，要做到這一點，我們至少需要理解：光學、運動學和坐標變換。
　　通過物理模型，我們可以很自然地導齣相應的數學公式，然後，通過數學公式，我們可以導齣相應的算法。本書的主題包括：
　　建立起對成像過程的基本理解；
　　探討對成像過程進行求逆的方法。
　　盡管本書包含瞭許多用於解決機器視覺問題的具體方法，但是，本書所關注的是：建立一種針對不同機器視覺問題的整體解決方法。事實上，許多成功的機器視覺技術，例如：從明暗恢復形狀、光流、無源導航等，都是這種“整體解決方法”的具體應用。關注基本原理所帶來的一個好處是：真正需要去理解的核心內容變少瞭，甚至連算法的實現細節都有可能會變成一個“瞬間”就被理解或完成的工作。
　　最近幾年，在機器視覺的應用領域取得瞭很多實質性的進展，這些進展部分歸功於機器學習方法的使用。當然，機器學習結果的好壞依賴於：從圖像中所提取齣來的特徵的“質量”。特徵的“描述力”越強，區分效果也就越好；所提取齣的特徵越有“特點”，所得到的結果也就越好。從這個意義上說，本書所講述的內容可以被看作是：用於提取“具有物理意義的特徵”的方法。還記得當初在寫《RobotVision》的序言時，我以“機器視覺是一個年輕的、發展很快的領域”作為開篇的第一句話。這麼多年過去瞭，我們很高興地看到：直到今天，這句話還像當初我寫它時一樣正確！
　　BertholdK。P。Horn
　　2014年6月於MIT

機器視覺下載 mobi epub pdf txt 電子書

機器視覺 pdf epub mobi txt 電子書下載

想要找書就要到求知書站

tushu.tinynews.org

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!