图像理解理论与方法

　　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

　　“图像理解”是近年来计算机科学的热点研究领域，《图像理解理论与方法》对图像理解的前沿理论与方法进行了详细论述。主要内容包括分类判别模型、生成模型、图像信息表示与特征提取、场景中的目标识别、场景中目标之间的关系、场景描述与理解、场景中的句法语义、图像理解开发环境和图像数据集等。《图像理解理论与方法》紧跟上述内容的国内外发展现状和最新成果，阐述作者对图像理解理论方法的理解和认识。
　　《图像理解理论与方法》可以作为计算机科学与技术、信息与通信工程、电子科学与技术等专业的研究生、高年级本科生教材，同时可作为从事图像理解、计算机视觉、机器学习等相关专业研究人员的参考书。