《計算機視覺度量 從特征描述到深度學習》基於893篇參考文獻寫就，是一本計算機視覺的"博物館"，也是國外有名高等院校信息科學與技術優秀教材。1.《計算機視覺度量 從特征描述到深度學習》覆蓋了90%計算機視覺領域的內容，對從業者掌握算法的本質、提升應用能力很有幫助，對學生打下計算機視覺的堅實基礎也很有效。2.《計算機視覺度量 從特征描述到深度學習》的目的是概述特征描述子和特征學習方法，旨在從使用特征的角度來對計算機視覺方法進行總結、分類和分析，鼓勵讀者自己去思考每種方法是如何設計的，以及它等

●第 1章  圖像的獲取和表示11.1  圖像傳感器技術  11.1.1  傳感器材料  21.1.2  傳感器光電件  31.1.3  傳感器配置：馬賽克、Foveon和BSI  31.1.4  動態範圍、噪聲和超分辨率  41.1.5  傳感器處理  51.1.6  去馬賽克  51.1.7  壞像素校正  51.1.8  色彩和光照校正  61.1.9  幾何校正  61.2  照相機和計算成像  61.2.1  計算成像概述  71.2.2  單像素可計算相機  71.2.3  二維可計算照相機  81.2.4  三維深度的照相機繫統  91.3  三維深度處理  181.3.1  方法概述  181.3.2  深度感知和處理中存在的問題  181.3.3  單目深度處理  231.4  三維表、深度圖、網格和點雲  261.5  總結  271.6  習題  27第  2章 圖像預處理  292.1  圖像處理概述  292.2  圖像預處理要解決的問題  292.2.1  計算機視覺的流程和圖像預處理  302.2.2  圖像校正  312.2.3  圖像增強  312.2.4  為特征提取準備圖像  322.3  圖像處理方法分類  362.3.1  點運算  362.3.2  直線運算  362.3.3  區域運算  372.3.4  算法  372.3.5  數據轉換  372.4  色彩學  372.4.1  色彩管理繫統概述  382.4.2  光源、白點、黑點和中性軸  382.4.3  設備顏色模型  392.4.4  色彩空間與色彩感知  392.4.5  色域映射與渲染的目標  402.4.6  色彩增強的實際考慮  412.4.7  色彩的準確度與精度  412.5  空間濾波  412.5.1  卷積濾波與檢測  412.5.2  核濾波與形狀選擇  432.5.3  點濾波  442.5.4  噪聲與偽像濾波  452.5.5  積分圖與方框濾波器  462.6  邊緣檢測器  462.6.1  核集合  472.6.2  Canny檢測器  482.7  變換濾波、Fourier變換及其他  482.7.1  Fourier變換  482.7.2  其他變換  502.8  形態學與分割  512.8.1  二值形態學  512.8.2  灰度和彩色形態學  522.8.3  形態學優化和改進  532.8.4  歐氏距離映射  532.8.5  超像素分割  532.8.6  深度圖分割  542.8.7  色彩分割  552.9  閾值化  552.9.1  全局閾值化  562.9.2  局部閾值化  592.10  總結  602.11  習題  60第3章  全局特征和區域特征  633.1  視覺特征的歷史概述  633.1.1  全局度量、區域度量和局部度量的核心思想  643.1.2  紋理分析  653.1.3  統計方法  683.2  紋理區域度量  683.2.1  邊緣度量  693.2.2  互相關性和自相關性  703.2.3  Fourier譜、小波和基簽名  713.2.4  共生矩陣、Haralick特征  713.2.5  Laws紋理度量  783.2.6  LBP局部二值模式  793.2.7  動態紋理  803.3  統計區域度量  813.3.1  圖像矩特征  813.3.2  點度量特征  813.3.3  全局直方圖  833.3.4  局部區域直方圖  833.3.5  散點圖、3D直方圖  843.3.6  多分辨率、多尺度直方圖  853.3.7  徑向直方圖  873.3.8  輪廓或邊緣直方圖  873.4  基空間度量  883.4.1  Fourier描述  903.4.2  Walsh-Hadamard變換  903.4.3  HAAR變換  913.4.4  斜變換  913.4.5  Zernike多項式  913.4.6  導向濾波器  923.4.7  Karhunen-Loeve變換與Hotelling變換  933.4.8  小波變換和Gabor濾波器  933.4.9  Hough變換與Radon變換  953.5  總結  963.6  習題  96第4章  局部特征設計  974.1  局部特征  974.1.1  檢測器、興趣點、關鍵點、錨點和特征點  984.1.2  描述子、特征描述和特征提取  984.1.3  稀疏局部模式方法  984.2  局部特征屬性  994.2.1  選擇特征描述子和興趣點  994.2.2  特征描述子和特征匹配  994.2.3  好特征的標準  994.2.4  可重復性，困難和容易的查找  1014.2.5  判別性與非判別性  1014.2.6  相對位置和絕對位置  1014.2.7  匹配代價和一致性  1014.3  距離函數  1024.3.1  距離函數的早期工作  1024.3.2  歐氏或笛卡兒距離度量  1034.3.3  網格距離度量  1044.3.4  基於統計學的差異性度量  1054.3.5  二值或布爾距離度量  1064.4  描述子的表示  1074.4.1  坐標空間和復合空間  1074.4.2  笛卡兒坐標  1074.4.3  極坐標和對數極坐標  1074.4.4  徑向坐標  1074.4.5  球面坐標  1084.4.6  Gauge坐標  1084.4.7 &nbs空間和多模數據  1084.4.8  特征金字塔  1094.5  描述子的密度  1094.5.1  丟棄興趣點和描述子  1094.5.2  稠密與稀疏特征描述  1104.6  描述子形狀  1104.6.1  關聯性模板  1114.6.2  塊和形狀  1114.6.3  對像多邊形  1134.7  局部二值描述子與點對模式  1134.7.1  FREAK視網膜模式  1144.7.2  BRISK模式  1154.7.3  ORB和BRIEF模式  1164.8  描述子的判別性  1164.8.1  譜的判別性  1174.8.2  區域、形狀和模式的判別性  1184.8.3  幾何判別因素  1184.8.4  通過特征可視化來評價判別性  1194.8.5  精度與可跟蹤性  1214.8.6  精度優化、子區域重疊、Gaussian加權和池化  1224.8.7  亞像素精度  1234.9  搜索策略與優化  1234.9.1  密集搜索  1244.9.2  網格搜索  1244.9.3  多尺度金字塔搜索  1244.9.4  尺度空間和圖像金字塔  1254.9.5  特征金字塔  1264.9.6  稀疏預測搜索與跟蹤  1274.9.7  跟蹤區域搜尋  1274.9.8  分割搜索  1274.9.9  深度或Z搜索  1274.10  計算機視覺、模型和結構  1284.10.1  特征空間  1284.10.2  對像模型  1294.10.3  約束  1304.10.4  選擇檢測器和特征  1314.10.5  訓練概述  1314.10.6  特征和對像的分類  1324.10.7  特征學習、稀疏編碼和卷積網絡  1364.11  總結  1394.12  習題  139第5章  特征描述屬性的分類  1415.1  一般的魯棒性分類  1435.2  一般的視覺度量分類  1465.3  特征度量評估  1555.3.1  SIFT的示例  1565.3.2  LBP的示例  1565.3.3  形狀因子的示例  1575.4  總結  1585.5  習題  158第6章  興趣點檢測與特征描述子  1596.1  興趣點調整  1596.2  興趣點的概念  1606.3  興趣點方法概述  1626.3.1  Laplacian和LoG  1636.3.2  Moravac角點檢測器  1636.3.3  Harris方法、Harris-Stephens、Shi-Tomasi和Hessian類型的檢測器  1636.3.4  Hessian矩陣檢測器和Hessian-Laplace  1646.3.5  Gaussian差  1646.3.6  顯著性區域  1646.3.7  SUSAN、Trajkovic-Hedly  1656.3.8  FAST  1656.3.9  局部曲率方法  1666.3.10  形態興趣區域  1676.4  特征描述簡介  1676.4.1  局部二值描述子  1686.4.2  Census  1736.4.3  改進的Census變換  1746.4.4  BRIEF  1746.4.5  ORB  1756.4.6  BRISK  1766.4.7  FREAK  1766.5  譜描述子  1776.5.1  SIFT  1776.5.2  SIFT-PCA  1816.5.3  SIFT-GLOH  1816.5.4  SIFT-SIFER  1826.5.5  SIFT CS-LBP  1826.5.6  ROOTSIFT  1836.5.7  CenSurE和STAR  1836.5.8  相關模板  1856.5.9  HAAR特征  1866.5.10  使用類HAAR特征的Viola和Jones算法  1876.5.11  SURF  1876.5.12  改進的SURF算法  1896.5.13  梯度直方圖（HOG）及改進方法  1896.5.14  PHOG和相關方法  1906.5.15  Daisy和O-Daisy  1916.5.16  CARD  1936.5.17  具有魯棒性的快速特征匹配  1946.5.18  RIFF和CHOG  1956.5.19  鏈碼直方圖  1966.5.20  D-NETS  1966.5.21  局部梯度模式  1976.5.22  局部相位量化  1986.6  基空間描述子  1986.6.1  Fourier描述子  1996.6.2  用其他基函數來構建描述子  2006.6.3  稀疏編碼方法  2006.7  多邊形形狀描述  2006.7.1  MSER方法  2016.7.2  針對斑點和多邊形的目標形狀度量  2026.7.3  形狀上下文  2046.8  3D和4D描述子  2056.8.1  3D HOG  2066.8.2  HON 4D  2066.8.3  3D SIFT  2076.9  總結  2086.10  習題  208第7章  基準數據、內容、度量和分析  2107.1  基準數據  2107.2  先前關於基準數據方面的工作：藝術與科學  2127.2.1  質量的一般度量  2127.2.2  算法性能的度量  2127.2.3  Rosin關於角點方面的工作  2137.3  構造基準數據的關鍵問題  2147.3.1  內容：采用、修改或創建  2147.3.2  可用的基準數據集  2157.3.3  擬合基準數據的算法  2157.3.4  場景構成和標注  2167.4  定義目標和預期  2187.4.1  Mikolajczyk和Schmid的方法  2187.4.2  開放式評價繫統  2197.4.3  特別情況和  2197.4.4  興趣點和特征  2197.5  基準數據的魯棒性準則  2207.5.1  舉例說明魯棒性標準  2207.5.2  將魯棒性標準用於實際應用  2217.6  度量與基準數據配對  2227.6.1  興趣點、特征和基準數據的配對和優化  2227.6.2  一般的視覺分類例子  2237.7  合成的特征字母表  2247.7.1  合成數據集的目標  2247.7.2  合成興趣點字母表  2267.7.3  將合成字母表疊加到真實圖像上  2287.8  總結  2297.9  習題  230第8章  可視流程及優化  2318.1  階段、操作和資源  2318.2  計算資源預算  2338.2.1  、ALU和加速器  2348.2.2  能耗的使用  2358.2.3  內存的利用  2358.2.4  I/O性能  2388.3  計算機視覺流程的實例  2388.3.1  汽車識別  2398.3.2  人臉檢測、情感識別和年齡識別  2448.3.3  圖像分類  2508.3.4  增強現實  2548.4  可選的加速方案  2588.4.1  內存優化  2588.4.2  粗粒度並行  2608.4.3  細粒度數據並行  2618.4.4  高級指令集和加速器  2638.5  視覺算法的優化與調整  2638.5.1  編譯器優化與手工優化  2648.5.2  特征描述子改進、檢測器和距離函數  2658.5.3  Boxlets與卷積加速  2658.5.4  數據類型優化（整數與浮點）  2658.6  優化資源  2668.7  總結  266第9章  特征學習的架構分類和神經科學背景  2679.1  計算機視覺中的神經科學思想  2689.2  特征生成與特征學習  2699.3  計算機視覺中所使用的神經科學術語  2699.4  特征學習的分類  2749.4.1  卷積特征權重學習  2759.4.2  局部特征描述子學習  2759.4.3  基本特征的組合和字典學習  2759.4.4  特征學習方法總結  2769.5  計算機視覺中的機器學習模型  2769.5.1  專家繫統  2779.5.2  統計和數學分析方法  2789.5.3  受神經科學啟發的方法  2789.5.4  深度學習  2789.6  機器學習和特征學習的歷史  2809.6.1  歷史回顧：20世紀40年代至21世紀初  2809.6.2  人工神經網絡（ANN）分類  2849.7  特征學習概述  2859.7.1  通過學習得到的各類描述子  2859.7.2  層次特征學習  2859.7.3  要學習多少特征  2869.7.4  深度神經網絡的優勢  2869.7.5  特征編碼的有效性  2869.7.6  手工設計的特征與深度學習  2879.7.7  特征學習的不變性和魯棒性  2889.7.8  優選的特征和學習架構  2889.7.9  大數據、分析和計算機視覺的統一  2899.7.10  關鍵技術的推動因素  2919.8  神經科學的概念  2929.8.1  生物學及其整體結構  2939.8.2  難以找到統一的學習理論  2949.8.3  人類視覺繫統的架構  2959.9  特征學習的結構分類  2999.9.1  架構拓撲  3019.9.2  架構組件和層  3029.10  總結  3139.11  習題  313第  10章 特征學習和深度學習架構概述  31510.1  架構概述  31510.1.1  FNN架構簡介  31610.1.2  RNN的結構簡介  37210.1.3  BFN的結構簡介  39510.2  集成方法  42710.3  深度神經網絡的未來  42910.3.1  增加優選深度—深度殘差學習  42910.3.2  使用更簡單的MLP來近似復雜模型（模型壓縮）  43010.3.3  分類器的分解與重組  43110.4  總結  43210.5  習題  432附錄A  合成特征分析  435附錄B  基準數據集概述  464附錄C  成像和計算機視覺資源  470附錄D  擴展SDM準則  474附錄E  視覺基因組模型（VGM）  487參考文獻  508譯後記  541

《計算機視覺度量 從特征描述到深度學習》全面介紹了計算機視覺中被廣泛使用的各種方法，包括局部特征描述子、區域描述子、全局特征描述子以及評價這些內容的度量方法和分類方法，並用將近一半的篇幅重點介紹了基於深度學習的特征學習方法，以及FNN、RNN和BFN三類深度學習架構的特點。《計算機視覺度量 從特征描述到深度學習》內容豐富、前沿，強調理論分析，旨在探討各種計算機視覺研究方法背後的技術和原理，同時也探討了深度學習與神經科學之間的關繫，展望了未來深度神經網絡的發展方向。《計算機視覺度量 從特征描述到深度學習》用專門一章講解了計算機視覺流程和算法的優化，通過汽車識別、人臉檢測、圖像分類和增強現實等實例具體探討了硬件優化和軟件優化的方法。《計算機視覺度量 從特征描述到深度學習》每章末尾都配有相應的思考題，附錄給出了許多有效的實踐資源和一些有用的分析，同時提供了源代碼，既適合高校計算機視覺等

[美]斯科特·克裡格（Scott Krig） 著 劉波 羅棻 譯