圖像特征提取與檢索技術(shù)

定　價：￥59.00

作　者：	孫君頂等
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121252716	出版時間：	2015-07-01	包裝：
開本：	16開	頁數(shù)：	380	字數(shù)：

內(nèi)容簡介

　　本書對基于內(nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）技術(shù)的基本原理、圖像特征提取與檢索方法進行了比較詳細的介紹和討論，并融入了作者多年來的相關(guān)研究成果。本書共有6章，第1章介紹了CBIR的發(fā)展與現(xiàn)狀、研究內(nèi)容及涉及的關(guān)鍵技術(shù)，第2章介紹了圖像低層特征的提取與表達技術(shù)，第3章介紹了基于壓縮域的圖像檢索技術(shù)，第4章介紹了視覺注意計算模型，第5章介紹了自動圖像標注技術(shù)，第6章介紹了子空間特征提取技術(shù)。

作者簡介

　　孫君頂，2005年6月畢業(yè)于西安電子科技大學獲計算機應(yīng)用技術(shù)博士學位，同年參加工作，任河南理工大學計算機學院計算機系主任，現(xiàn)任河南理工大學計算機學院副院長。目前主持河南省“十一五”教育科學規(guī)劃課題、河南省基礎(chǔ)與前沿基金、河南省教育廳自然基金等課題6項

圖書目錄

第1章基于內(nèi)容的圖像檢索與關(guān)鍵技術(shù) 1
1．1 圖像檢索技術(shù)的發(fā)展 1
1．1．1 基于文本的圖像檢索 2
1．1．2 基于內(nèi)容的圖像檢索 3
1．1．3 自動圖像標注技術(shù) 6
1．1．4 國內(nèi)外研究狀況 6
1．2 CBIR的研究內(nèi)容 10
1．2．1 特征提取與匹配 10
1．2．2 索引機制 10
1．2．3 用戶接口 11
1．3 CBIR的關(guān)鍵技術(shù) 12
1．3．1 基本檢索原理 12
1．3．2 圖像內(nèi)容及檢索層次 13
1．3．3 常用特征描述方法 14
1．3．4 特征匹配技術(shù) 19
1．3．5 稀疏表示技術(shù) 25
1．3．6 性能評價準則 27
1．4 CBIR的應(yīng)用與經(jīng)典系統(tǒng) 30
1．4．1 CBIR的應(yīng)用 30
1．4．2 經(jīng)典CBIR系統(tǒng)介紹 31
1．5 本書內(nèi)容安排 38
參考文獻 39
第2章圖像低層特征的提取與表達 45
2．1 顏色特征的提取與表達 45
2．1．1 顏色空間 45
2．1．2 顏色量化 50
2．1．3 全局顏色特征 51
2．1．4 空間顏色特征 56
2．2 形狀特征的提取與表達 68
2．2．1 概述 68
2．2．2 基于輪廓的描述方法 69
2．2．3 基于區(qū)域的描述方法 89
2．3 紋理特征的提取與表達 103
2．3．1 概述 103
2．3．2 常用的紋理分析方法 104
2．3．3 局部二值模式 116
2．3．4 紋理基元共生矩陣 128
2．4 MPEG-7中的圖像特征描述符 131
2．4．1 顏色描述符 133
2．4．2 形狀描述符 134
2．4．3 紋理描述符 135
參考文獻 136
第3章基于壓縮域的圖像檢索技術(shù) 146
3．1 概述 146
3．1．1 圖像壓縮技術(shù) 147
3．1．2 靜態(tài)圖像壓縮標準 153
3．1．3 壓縮域圖像檢索的原理 162
3．1．4 壓縮域圖像檢索的研究內(nèi)容 164
3．1．5 壓縮域圖像檢索的研究方法 164
3．2 空間壓縮域技術(shù) 166
3．2．1 矢量量化 166
3．2．2 分形編碼 169
3．2．3 預測編碼 171
3．3 變換壓縮域技術(shù) 172
3．3．1 基于DFT壓縮域 172
3．3．2 基于DCT壓縮域 173
3．3．3 基于小波壓縮域 181
3．3．4 基于K-L變換域 186
3．4 空間域和變換域的融合檢索 188
3．5 DCT壓縮域內(nèi)的紋理特征 189
3．5．1 復雜度的定義 190
3．5．2 復雜度直方圖 191
3．6 DCT壓縮域內(nèi)的形狀特征 193
3．6．1 理想邊緣模型DCT塊的分類 193
3．6．2 空間邊緣分布特征的提取 195
參考文獻 196
第4章視覺注意計算模型 205
4．1 概述 205
4．1．1 人類視覺系統(tǒng) 205
4．1．2 視覺系統(tǒng)理論 207
4．1．3 研究現(xiàn)狀 214
4．2 基于特征加權(quán)的視覺注意計算模型 219
4．2．1 模型實現(xiàn)過程 219
4．2．2 物體識別實驗 223
4．2．3 物體搜索實驗 226
4．3 基于高斯混合的視覺注意計算模型 229
4．3．1 高斯混合模型 230
4．3．2 基于GMM的視覺注意計算模型 232
4．3．3 實驗與分析 236
4．4 基于CIELab的視覺注意計算模型 239
4．4．1 模型實現(xiàn)過程 240
4．4．2 實驗與分析 245
參考文獻 255
第5章自動圖像標注技術(shù) 261
5．1 概述 261
5．1．1 自動圖像標注概述及研究意義 261
5．1．2 自動圖像標注的關(guān)鍵問題 264
5．2 圖像視覺特征選擇 265
5．2．1 視覺特征選擇 265
5．2．2 視覺特征加權(quán) 266
5．3 自動圖像標注模型 273
5．3．1 基于生成模型的標注方法 273
5．3．2 基于判別模型的標注方法 279
5．3．3 基于多示例學習的標注方法 289
參考文獻 314
第6章子空間特征提取技術(shù) 321
6．1 概述 321
6．1．1 降維原因 321
6．1．2 子空間特征提取方法的形式化描述及分類 323
6．2 經(jīng)典的子空間特征提取方法 324
6．2．1 線性方法 324
6．2．2 核方法 326
6．2．3 流形方法 328
6．2．4 半監(jiān)督方法 333
6．2．5 張量方法 334
6．2．6 圖嵌入框架 334
6．3 基于自適應(yīng)近鄰圖嵌入的局部鑒別投影方法 339
6．3．1 方法提出的背景 339
6．3．2 LFDA 339
6．3．3 LADP 342
6．4 基于對角圖像的模糊線性鑒別分析 347
6．4．1 方法提出的背景 347
6．4．2 FLDA 347
6．4．3 對角圖像 353
6．4．4 DiaFLDA 354
6．5 DCT域內(nèi)拉普拉斯值排序的子空間特征提取方法 357
6．5．1 方法提出的背景 357
6．5．2 離散余弦變換（DCT） 357
6．5．3 局部保持能力判據(jù) 359
6．5．4 DCT/LS+LPP 361
參考文獻 362