图像理解理论与方法

        图像理解是近年来的热点研究领域，它是一门覆盖范围很广的综合性交叉学科，涉及图像工程、计算机视觉、人工智能和认知学等诸多学科领域，在目标识别及解释和图像与视频检索等方面有着广阔的应用前景。
    本书的总体编写思路：给出图像理解的定义及框架，并将其与图像工程、人工智能的相关方法有机结合起来，逐步阐述图像理解的理论方法；以图像理解的研究内容为导向，详细介绍图像理解的方法，以及图像理解系统必不可少的开发环境和图像数据机。基于这一编写思路，本书介绍了数据／知识驱动方式不同的判别模型和生成模型，以此作为整个图像理解任务的理论基础；接着从图像理解的研究内容入手，分别详述了场景中目标识别、场景中目标之间的关系、场景描述与理解和图像句法语义四个子任务，并介绍了相应的学习算法，给出了经典、实用的应用实例。

前言
第1章  绪论
    1.1  图像理解的基本概念
    1.1.1  图像理解与图像工程
    1.1.2  图像理解与计算机视觉
    1.1.3  图像理解与人工智能
    1.1.4  图像理解与认知学
    1.2  图像理解的研究内容
    1.2.1  场景中目标识别
    1.2.2  场景中目标之间的关系
    1.2.3  场景描述与理解
    1.2.4  图像语义描述推理
  1.3  图像理解的研究方法
    1.3.1  判别分类方法
    1.3.2  生成模型方法
    1.3.3  句法语义分析方法
  1.4  图像理解的应用
    1.4.1  遥感图像解释
    1.4.2  目标识别和解释
    1.4.3  基于内容的图像和视频检索
  参考文献
第2章  分类判别模型
  2.1  引言
  2.2  Boosting分类方法
    2.2.1  Boosting产生与发展
    2.2.2  Boosting基本思想
    2.2.3  Boosting分类模型
    2.2.4  方法总结
  2.3  SVM分类方法
    2.3.1  统计学习理论
    2.3.2  SVM模型
    2.3.3  方法总结
  2.4  协同学与协同神经网络
    2.4.1  协同学简介
    2.4.2  协同模式识别方法
    2.4.3  方法总结
  2.5  总结
  参考文献
第3章  生成模型
  3.1  引言
    3.1.1  图论中的无向图与有向图
    3.1.2  图像理解中的标记问题
  3.2  无向图模型
    3.2.1  无向图简介
    3.2.2  随机场模型
    3.2.3  星群模型
    3.2.4  小结
  3.3  有向图模型
    3.3.1  有向图简介
    3.3.2  认知图模型
    3.3.3  pLSA模型  
    3.3.4  LDA模型
    3.3.5  小结
  3.4  总结
  参考文献
第4章  图像信息表示与特征提取
  4.1  引言
  4.2  图像信息表示
    4.2.1  图像数据结构
    4.2.2  知识表示
    4.2.3  数据与知识的融合
  4.3  图像特征提取
    4.3.1  基本图像特征提取
    4.3.2  常用图像特征提取
    4.3.3  方法小结
  4.4  图像特征表达
    4.4.1  直方图表达
    4.4.2  区域特征表达
    4.4.3  边缘特征表达
    4.4.4  基于包的表达
    4.4.5  方法小结
  4.5  图像特征评价
    4.5.1  检测算子评价
    4.5.2  特征描述子评价
    4.5.3  方法小结
  4.6  总结
  参考文献
第5章  场景中的目标识别
  5.1  引言
  5.2  图像分割
    5.2.1  基于SVM的图像分割
    5.2.2  基于取样的图像分割
    5.2.3  全互连结构的图像分割
    5.2.4  MRF+pLSA区域分割标记
    5.2.5  基于产生式规则的图像分割
  5.3  目标识别
    5.3.1  基于认知图的目标形状识别
    5.3.2  基于协同神经网络的生物特征识别
    5.3.3  基于Boosting的目标识别
    5.3.4  基于SVM的目标识别
  5.4  广义目标识别
    5.4.1  Boosting多值分类的目标检测识别
    5.4.2  视觉注意机制引导的协同目标识别
    5.4.3  pLSA的视觉目标分类
    5.4.4  pLSA下的无向图广义目标识别
  5.5  总结
  参考文献
第6章  场景中目标之间的关系
  6.1  引言
  6.2  与或图和解析图
  6.3  视觉词汇
    6.3.1  视觉词汇表达
    6.3.2  低层图像基元
    6.3.3  中层图基元对
    6.3.4  高层目标部分
  6.4  关联和结构
    6.4.1  关联
    6.4.2  结构
  6.5  目标间关系的视觉应用
    6.5.1  星群模型的部分关联分析
    6.5.2  场景－目标关联的目标识别
  6.6  总结
  参考文献
第7章  场景描述与理解
  7.1  引言
  7.2  场景分类
    7.2.1  场景分类的概念
    7.2.2  场景分类的特点  
    7.2.3  场景的视觉感知层次
    7.2.4  场景分类的方法
  7.3  场景理解的视觉应用
    7.3.1  基于Gist特征的场景全局感知分类
    7.3.2  基于高斯统计概率模型的场景分类
    7.3.3  图像理解的场景分析约束机制
  7.4  总结
  参考文献
第8章  场景中的句法语义
  8.1  引言
  8.2  句法语言
    8.2.1  句法重用和歧义结构
    8.2.2  语义词汇表达
    8.2.3  WordNet词汇网  
  8.3  基于统计的句法分析
    8.3.1  句法公式
    8.3.2  随机句法
    8.3.3  上下文有关随机句法
    8.3.4  随机句法与或图  
    8.3.5  句法学习与推理
  8.4  基于统计句法的视觉应用
    8.4.1  人造场景解析
    8.4.2  人体外观建模与推理
    8.4.3  目标类别推理识别
  8.5  总结
  参考文献
第9章  图像理解开发环境
  9.1  引言
  9.2  图像理解环境
    9.2.1  IUE起源
    9.2.2  IUE类谱系
    9.2.3  IUE任务库
    9.2.4  IUE执行界面和接口
  9.3  OpenCV
    9.3.1  OpenCV起源
    9.3.2  OpenCV类谱系
    9.3.3  OpenCV任务库
    9.3.4  OpenCV执行界面和接口
    9.3.5  OpenCV应用实例
  9.4  VXL
    9.4.1  VXL起源
    9.4.2  VXL类谱系
    9.4.3  VXL任务库
    9.4.4  VXL执行界面和接口  
    9.4.5  VXL应用实例
  9.5  总结
  参考文献
第10章  图像数据集
  10.1  引言
  10.2  传统图像集
    10.2.1  一般目标识别图像集
    10.2.2  图像检索图像集
    10.2.3  手势识别图像集
    10.2.4  数字识别图像集
    10.2.5  PASCAL图像集
  10.3  融合视觉知识的图像集
    10.3.1  图像集中的视觉知识
    10.3.2  LabelMe图像集
    10.3.3  LotusHill图像集
  10.4  总结
  参考文献