機(jī)器視覺理論及應(yīng)用

第1章 引論
1.1 機(jī)器視覺的發(fā)展及系統(tǒng)構(gòu)成
1.1.1 機(jī)器視覺的發(fā)展
1.1.2 機(jī)器視覺系統(tǒng)構(gòu)成
1.2 Marr的視覺理論框架
1.2.1 視覺系統(tǒng)研究的三個(gè)層次
1.2.2 視覺信息處理的三個(gè)階段
1.3 機(jī)器視覺的應(yīng)用領(lǐng)域及面臨的問題
1.3.1 機(jī)器視覺的應(yīng)用領(lǐng)域
1.3.2 機(jī)器視覺面臨的問題
本章參考文獻(xiàn)
第2章 空間幾何變換與攝像機(jī)模型
2.1 空間幾何變換
2.1.1 齊次坐標(biāo)
2.1.2 射影變換
2.1.3 仿射變換
2.1.4 比例變換
2.1.5 歐氏變換
2.2 幾何變換的不變量
2.2.1 簡(jiǎn)比與交比
2.2.2 不變量
2.3 歐氏空間的剛體變換
2.3.1 剛體變換過程
2.3.2 旋轉(zhuǎn)矩陣的表示形式
2.4 攝像機(jī)透視投影模型
2.4.1 圖像坐標(biāo)系、攝像機(jī)坐標(biāo)系與世界坐標(biāo)系
2.4.2 針孔成像模型
2.4.3 非線性模型
2.5 攝像機(jī)透視投影近似模型
2.5.1 正投影
2.5.2 弱透視
2.5.3 平行透視
2.5.4 仿射攝像機(jī)
本章參考文獻(xiàn)
第3章 視覺圖像特征信息提取
3.1 圖像邊緣與圖像平滑
3.1.1 圖像邊緣
3.1.2 圖像平滑濾波
3.2 一階微分邊緣檢測(cè)算子
3.2.1 梯度
3.2.2 邊緣算子
3.3 二階微分邊緣檢測(cè)算子
3.3.1 拉普拉斯算子
3.3.2 LoG算子
3.4 子像素級(jí)邊緣檢測(cè)
3.4.1 Hessian矩陣法
3.4.2 曲面擬合法
3.5 角點(diǎn)探測(cè)器
3.5.1 K-R（Kitchen-Rosenfeld）法
3.5.2 圖像灰度法
3.5.3 簡(jiǎn)單算法
3.6 形狀特征分析
3.6.1 矩形度
3.6.2 球狀性
3.6.3 圓形性
3.6.4 中心矩
3.6.5 長(zhǎng)軸
3.7 橢圓孔圖像中心的提取
3.7.1 重心法
3.7.2 橢圓擬合法
3.8 給定形狀曲線的檢測(cè)——Hough變換
3.8.1 簡(jiǎn)單形狀曲線的檢測(cè)
3.8.2 復(fù)雜形狀曲線的檢測(cè)
本章參考文獻(xiàn)
第4章 攝像機(jī)標(biāo)定與雙目立體視覺
4.1 非線性優(yōu)化方法
4.1.1 非線性優(yōu)化目標(biāo)函數(shù)
4.1.2 最小二乘法
4.1.3 Levenberg-Marquardt算法
4.1.4 罰函數(shù)法
4.2 基于3D立體靶標(biāo)的攝像機(jī)標(biāo)定
4.2.1 線性模型攝像機(jī)標(biāo)定
4.2.2 非線性模型攝像機(jī)標(biāo)定
4.3 雙目立體視覺原理
4.3.1 雙目立體視覺三維測(cè)量原理
4.3.2 雙目立體視覺數(shù)學(xué)模型
4.4 雙目立體視覺中的對(duì)應(yīng)點(diǎn)匹配
4.4.1 圖像匹配的常用方法
4.4.2 已知極線幾何的對(duì)應(yīng)點(diǎn)匹配方法
4.4.3 未知極線幾何的對(duì)應(yīng)點(diǎn)匹配方法
本章參考文獻(xiàn)
第5章 視覺計(jì)算與融合理論
5.1 融合處理中需考慮的問題
5.2 融合方法概論
5.2.1 信號(hào)級(jí)融合方法
5.2.2 像素級(jí)融合方法
5.2.3 特征級(jí)融合方法
5.2.4 決策級(jí)融合方法
5.3 模式識(shí)別與信息融合
5.3.1 視覺信息融合
5.3.2 視覺與觸覺融合
5.3.3 視覺與紅外信息融合
5.3.4 自動(dòng)目標(biāo)識(shí)別
5.3.5 移動(dòng)機(jī)器人的感知信息融合
本章參考文獻(xiàn)
第6章 基于圖像融合的變形輪廓線
6.1 變形輪廓線概述
6.1.1 主動(dòng)輪廓線
6.1.2 動(dòng)態(tài)輪廓線
6.2 B樣條動(dòng)態(tài)輪廓線
6.3 基于圖像融合和微分耦合機(jī)制的動(dòng)態(tài)輪廓線
6.3.1 基于Lagrangian動(dòng)力學(xué)原理的微分耦合的動(dòng)態(tài)輪廓線
6.3.2 微分耦合機(jī)制的局限性
6.3.3 基于圖像融合和微分耦合的動(dòng)態(tài)輪廓線
6.3.4 實(shí)驗(yàn)結(jié)果
6.4 基于圖像融合和B樣條曲線范數(shù)極小化的動(dòng)態(tài)輪廓線
6.4.1 B樣條形狀空間
6.4.2 自適應(yīng)Kalman濾波
6.4.3 基于B樣條曲線范數(shù)極小化的圖像融合
6.4.4 實(shí)驗(yàn)結(jié)果
6.5 基于圖像融合的運(yùn)動(dòng)目標(biāo)輪廓提取
6.5.1 運(yùn)動(dòng)目標(biāo)分割
6.5.2 特征級(jí)融合
6.5.3 實(shí)驗(yàn)結(jié)果
6.6 基于圖像融合的多分辨率動(dòng)態(tài)輪廓線
6.6.1 多分辨率圖像像素級(jí)融合
6.6.2 基于多分辨率對(duì)比度分解的圖像融合
6.6.3 基于圖像融合的多分辨率動(dòng)態(tài)輪廓線
6.6.4 動(dòng)態(tài)輪廓線與目標(biāo)運(yùn)動(dòng)速度的關(guān)系
6.6.5 實(shí)驗(yàn)結(jié)果
6.7 基于圖像融合和形狀約束機(jī)制的主動(dòng)輪廓線
6.7.1 基于能量極小化原理的參數(shù)型主動(dòng)輪廓線
6.7.2 形狀約束主動(dòng)輪廓線及其局限性
6.7.3 基于圖像融合和形狀約束的主動(dòng)輪廓線
6.7.4 實(shí)驗(yàn)結(jié)果
本章參考文獻(xiàn)
第7章 基于變形輪廓線的微小物體表面積周長(zhǎng)精密測(cè)量
7.1 二維圖像測(cè)量機(jī)研究現(xiàn)狀
7.2 二維圖像測(cè)量機(jī)
7.2.1 總體結(jié)構(gòu)與原理
7.2.2 圖像式自動(dòng)調(diào)焦瞄準(zhǔn)系統(tǒng)
7.2.3 調(diào)焦評(píng)價(jià)函數(shù)的確定
7.2.4 二維圖像測(cè)量機(jī)的工作方式
7.3 基于動(dòng)態(tài)輪廓線的物體表面積周長(zhǎng)測(cè)量
7.3.1 圖像目標(biāo)的像素面積計(jì)算概述
7.3.2 基于動(dòng)態(tài)輪廓線的物體表面積計(jì)算方法
7.3.3 基于動(dòng)態(tài)輪廓線的物體周長(zhǎng)計(jì)算方法
7.4 像素尺寸當(dāng)量的標(biāo)定
7.4.1 概述
7.4.2 形心自標(biāo)定技術(shù)
7.5 基于多分辨率動(dòng)態(tài)輪廓線的物體表面積周長(zhǎng)測(cè)量
7.5.1 多分辨率動(dòng)態(tài)輪廓線
7.5.2 實(shí)驗(yàn)結(jié)果
7.6 基于短程線主動(dòng)輪廓線的多物體面積周長(zhǎng)并行測(cè)量研究
7.6.1 短程線主動(dòng)輪廓線概述
7.6.2 基于短程線主動(dòng)輪廓線的像素面積及周長(zhǎng)的計(jì)算方法
7.6.3 實(shí)驗(yàn)結(jié)果
本章參考文獻(xiàn)
第8章 運(yùn)動(dòng)模糊圖像恢復(fù)及其在運(yùn)動(dòng)物體速度測(cè)量中的應(yīng)用
8.1 運(yùn)動(dòng)模糊圖像恢復(fù)綜述
8.2 應(yīng)用區(qū)域劃分法進(jìn)行空間可變運(yùn)動(dòng)模糊圖像恢復(fù)研究
8.2.1 奇偶場(chǎng)圖像提取及運(yùn)動(dòng)偏移量的計(jì)算
8.2.2 區(qū)域空間不變運(yùn)動(dòng)模糊圖像恢復(fù)
8.2.3 實(shí)驗(yàn)結(jié)果
8.3 采用運(yùn)動(dòng)模糊圖像信息進(jìn)行物體速度精密測(cè)量
8.3.1 基于運(yùn)動(dòng)模糊的物體旋轉(zhuǎn)速度測(cè)量
8.3.2 基于車載攝像機(jī)采集運(yùn)動(dòng)模糊圖像的車輛平移速度測(cè)量
8.3.3 基于公路兩側(cè)安裝攝像機(jī)采集運(yùn)動(dòng)模糊圖像的車輛平移速度測(cè)量
8.3.4 考慮車輛運(yùn)動(dòng)模糊與攝像機(jī)離焦模糊耦合時(shí)的車輛速度測(cè)量
8.3.5 采集單幅隔行掃描CCD圖像進(jìn)行車輛速度測(cè)量
本章參考文獻(xiàn)
第9章 林業(yè)工程應(yīng)用范例——板材材種顯微細(xì)胞圖像分類識(shí)別
9.1 概述
9.1.1 國(guó)內(nèi)研究概述
9.1.2 國(guó)外研究概述
9.1.3 板材材種分類識(shí)別
9.2 系統(tǒng)硬件及軟件構(gòu)成
9.2.1 系統(tǒng)硬件組成與配置
9.2.2 系統(tǒng)軟件設(shè)計(jì)
9.3 板材細(xì)胞形狀特征提取與分類識(shí)別
9.3.1 細(xì)胞圖像預(yù)處理
9.3.2 板材細(xì)胞圖像分割
9.3.3 細(xì)胞外輪廓定型
9.3.4 基準(zhǔn)細(xì)胞模擬
9.4 細(xì)胞紋理特征提取與分類識(shí)別
9.4.1 紋理圖像研究方法
9.4.2 Contourlet變換理論
9.4.3 板材細(xì)胞圖像分類識(shí)別
本章參考文獻(xiàn)
第10章 農(nóng)業(yè)工程應(yīng)用范例——農(nóng)作物雜草分類識(shí)別
10.1 雜草識(shí)別
10.2 利用雜草位置信息進(jìn)行識(shí)別
10.3 利用雜草顏色特征進(jìn)行識(shí)別
10.4 利用雜草形狀特征進(jìn)行識(shí)別
10.5 利用雜草紋理特征進(jìn)行識(shí)別
10.6 利用雜草光譜特征進(jìn)行識(shí)別
10.7 利用雜草多特征融合進(jìn)行識(shí)別
10.8 利用雜草模糊信息進(jìn)行識(shí)別
本章參考文獻(xiàn)
第11章 應(yīng)用實(shí)例——光筆式3D坐標(biāo)視覺測(cè)量系統(tǒng)及其應(yīng)用
11.1 系統(tǒng)建模
11.1.1 系統(tǒng)坐標(biāo)系的建立
11.1.2 共線3點(diǎn)透視問題的求解
11.1.3 被測(cè)點(diǎn)三維坐標(biāo)的求解
11.1.4 系統(tǒng)模型的唯一性證明
11.1.5 實(shí)驗(yàn)
11.2 光筆式坐標(biāo)測(cè)量系統(tǒng)中控制點(diǎn)光斑圖像的識(shí)別
11.2.1 光筆上發(fā)光二極管的成像特點(diǎn)
11.2.2 發(fā)光二極管橢圓形光斑圖像的識(shí)別
11.3 光筆式坐標(biāo)測(cè)量系統(tǒng)中控制點(diǎn)光斑圖像中心的并行定位算法
11.4 采用光筆式坐標(biāo)測(cè)量系統(tǒng)進(jìn)行曲面物體邊界周長(zhǎng)的精密測(cè)量
11.5 采用光筆式坐標(biāo)測(cè)量系統(tǒng)進(jìn)行曲面物體表面積的精密測(cè)量
11.5.1 B樣條變形曲面
11.5.2 面積計(jì)算
本章參考文獻(xiàn)