图像特征处理技术及应用

　　2020年1月，在笔者计划写这本书之前，新冠肺炎已经有了在全球蔓延的趋势。随着时间的推移，从事计算机视觉领域研究的人员，开始利用图像处理技术来识别新冠肺炎，并利用特征提取的方法识别感染新冠肺炎（病理图像）的特有纹理特征，以此来判定患者感染新冠肺炎的可能性，对最终确诊新冠肺炎起到重要的辅助作用。 图像特征处理技术是图像处理技术的一个重要分支，其广泛应用于图像分类、显著性目标计算、行人重识别、目标检测与跟踪、视觉注意力机制、图像细粒度识别和图像分割等领域。本书第一章主要介绍了近年来的图像特征提取方法。第二章阐述了多种图像特征编码算法。图像分类是图像理解重要的研究方向，其任务是按照图像的内容将图像分成不同类别，本书第三章重点介绍了基于特征编码的图像分类方法。显著性目标计算核心思想是利用算法模仿人眼视觉显著性功能，目的是检测图像中吸引人视觉系统的感兴趣区域，本书第四章和第五章分别阐述了基于局部特征编码的条件随机场显著性目标计算方法和联合背景度量的自顶向下显著性目标计算方法。行人重识别技术在当今视频监控领域起着重要的作用，目的是在多个场景中辨别人的身份，本书第六章重点阐述了基于图像特征编码的行人重识别算法。目标检测与跟踪被广泛应用于真实场景中，其目的不仅是识别图像中的目标，同时还要定位目标所在图像中的位置，并提取目标的特征完成跟踪功能，本书第七章介绍了多种目标检测与跟踪方法。视觉注意力机制目的是快速有效地关注场景中的关键区域，避免背景信息对认识目标的干扰，本书第八章归纳了多种视觉注意力机制方法。图像细粒度识别与传统图像识别的不同之处在于不仅需要辨别目标的类别，同时还得区分出目标属于的具体子类别，本书第九章主要介绍了基于深度特征的图像细粒度识别方法。图像分割是图像处理的一个重要分支，其目的是对图像的像素进行分类，是一个具有挑战性的研究方向，本书第十章阐述了多种图像分割算法和机制。本书第十一章介绍了通过深度网络获取图像特征之后，如何实现甲骨文分类、烟雾识别和火焰检测任务。总之，图像特征处理技术是一个正在快速发展的研究方向，被广泛应用于多个领域。

暂缺《图像特征处理技术及应用》作者简介

目录

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2PASCAL VOC 2007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based RCNN134

922Pose Normalized CNN136

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