图像分析、随机场合动态蒙特卡罗方法

　　Introduction
　　PartⅠ. Bayesian Image Analysis: Introduction
　　1. The Bayesian Paradigm
　　1.1 The Space of Images
　　1.2 The Space of Observations
　　1.3 Prior and Posterior Distribution
　　1.4 Bayesian Decision Rules
　　2. Cleaning Dirty Pictures
　　2.1 Distortion of Images
　　2.1.1 Physical Digital Imaging Systems
　　2.1.2 Posterior Distributions
　　2.2 Smoothing
　　2.3 Piecewise Smoothing
　　2.4 Boundary Extraction
　　3. Random Fields
　　3.1 Markov Random Fields
　　3.2 Gibbs Fields and Potentials
　　3.3 More on Potentials
　　PartⅡ. The Gibbs Sampler and Simulated Annealing
　　4. Markov Chains: Limit Theorems
　　4.1 Preliminaries
　　4.2 The Contraction Coefficient
　　4.3 Homogeneous Markov Chains
　　4.4 Inhomogeneous Markov Chains
　　5.Sampling and Annealing
　　5.1 Sampling
　　5.2 Simulated Annealing
　　5.3 Discussion
　　6.Cooling Schedules
　　6.1 The ICM Algorithm
　　6.2 Exact MAPE Versus Fast Cooling
　　6.3 Finite Time Annealing
　　7.Sampling and Annealing Revisited
　　7.1 A Law of Large Numbers for Inhomogeneous Markov Chains
　　7.2 A General Theoresm
　　7.3 Sampling and Annealing Under Constraints
　　PartⅢ.More on Sampling and Annealing
　　8.Metropolis Algorithms
　　9.Alternative Approaches
　　10.Parallel Algorithms
　　PartⅣ.Texture Analysis
　　11.Partitioning
　　12.Texture Models and Classification
　　PartⅤ.Parameter Estimation
　　13.Maximum Likelihood Estimators
　　14.Spacial ML Estimation
　　PartⅥ.Supplement
　　15.A Glance at Neural Networks
　　16.Mixed APplications
　　PartⅦ.Appendix
　　A.Simulation of Random Variables
　　B.The Perron-Frobenius Theorem
　　C.Concave Functions
　　D.A Global Convergence Theorem for Descent Algorithms
　　References
　　Index

　　This text is concerned with a probabilistic approach to image analysis as initiated by U. GRENANDER， D. and S. GEMAN， B.R. HUNT and many others， and developed and popularized by D. and S. GEMAN in a paper from 1984. It formally adopts the Bayesian paradigm and therefore is referred to as "Bayesian Image Analysis".
　　There has been considerable and still growing interest in prior models and， in particular， in discrete Markov random field methods. Whereas image analysis is replete with ad hoc techniques， Bayesian image analysis provides a general framework encompassing various problems from imaging. Among those are such "classical" applications like restoration， edge detection， texture discrimination， motion analysis and tomographic reconstruction. The subject is rapidly developing and in the near future is likely to deal with high-level applications like object recognition. Fascinating experiments by Y. CHOW，U. GRENANDER and D.M. KEENAN(1987)， (1990) strongly support this belief.