Front-End Vision and Multi-Scale Image Analysis. Multi-Scale Computer Vision Theory and Applications, written in Mathematica

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان: Ter Haar Romeny B.M.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 470 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 55,000

Издательство Springer, 2003, -470 pp. مقیاس پارامتر مهمی در تحقیقات بینایی کامپیوتری نیست. یک پارامتر ضروری است. این یک نتیجه فوری از فرآیند مشاهده، اندازه گیری است. این کتاب در مورد مقیاس و مفهوم اساسی آن در بینایی کامپیوتر و همچنین بینایی انسان است.
نظریه مقیاس-فضا نظریه دیافراگم ها است. که از طریق آن ما و ماشین ها دنیا را مشاهده می کنیم. دیافراگم ها تنوع شگفت انگیزی دارند. می توان از آنها برای مدل سازی اولین مراحل بینایی انسان استفاده کرد و در تمام جنبه های بینایی کامپیوتر مانند استخراج ویژگی ها، اندازه گیری جریان نوری و نابرابری استریو، برای انجام تحلیل جهت گیری ظاهر می شوند. تقسیم‌بندی، بهبود تصویر و غیره. آنها نقش اساسی در فرآیندهای اساسی تمایز و منظم‌سازی دارند.
نظریه فضای مقیاس از فضایی نام‌گذاری شده است که با نگاه کردن به یک تصویر در مقیاس‌های مختلف به طور همزمان ایجاد می‌شود. وقتی روی هم قرار می‌گیریم، یک بعد اضافی می‌گیریم، یعنی بعد مقیاس. scale-space فضای ابعاد فضایی و مقیاس است.
این کتاب یک دوره آموزشی است. سطح کتاب در مقطع کارشناسی و کارشناسی ارشد سطح اول می باشد. هدف اصلی آن استفاده به عنوان کتاب درسی در دوره های بینایی کامپیوتر و دوره های ورود به دید جلویی است. همچنین ممکن است به عنوان نقطه ورودی برای تحقیق در بینش بیولوژیکی مفید باشد.
اگرچه متون بسیار خوبی در مورد مفهوم فضای مقیاس وجود دارد، اما خواندن اکثر آنها برای افرادی که فقط وارد این زمینه می شوند یا فاقد یک ریاضی قوی هستند، آسان نیست. زمینه. این کتاب تا حدودی برای پر کردن این شکاف در نظر گرفته شده است تا به عنوان نقطه ورودی برای ادبیات رو به رشد در نظریه مقیاس-فضا عمل کند. در سراسر کتاب ما به طور پیوسته از طریق ریاضیات لازم کار خواهیم کرد.
این کتاب در مورد بسیاری از مقالات کلاسیک منتشر شده در دو دهه گذشته، زمانی که نظریه مقیاس-فضا بالغ شد، بحث می کند. رویکردها و یافته های مختلف در متن قرار می گیرند. اول، نظریه مقیاس خطی-فضا از اصول اولیه مشتق شده است و به آن یک مبنای ریاضی درست می دهد.
این تصور که رویکرد چند مقیاسی نتیجه طبیعی فرآیند مشاهده است در هر فصل از این کتاب در هم تنیده شده است. به عنوان مثال. معادله جریان نوری معروف Hom و Schunck وقتی "به داده ها نگاه می کنیم" معنای جدیدی پیدا می کند. مفهوم نقطه و عملگرهای نقطه محلی مانند عملگر مشتق در نسخه هایی با گستره گاوسی منتشر می شود و روند تمایز را به خوبی ترسیم می کند. فوراً زمینه‌های بزرگ و بالغ مانند هندسه دیفرانسیل، نظریه ثابت، تحلیل تانسور و نظریه تکینگی را برای تجزیه و تحلیل بر روی داده‌های گسسته، مانند تصاویر در دسترس قرار می‌دهد.
ما برنامه‌های کاربردی آماده برای استفاده از متغیرهای دیفرانسیل دوم، سوم و مرتبه چهارم رابطه بین دقت، ترتیب دیفرانسیل و مقیاس عملگر توسعه می‌یابد، و نمونه‌ای از مشتقات مرتبه بسیار بالا در تاری‌زدایی تحلیلی تاری گاوسی کار می‌شود.
نمونه‌های عملی نیز در فصل‌های چند مقیاسی ایجاد شده‌اند. جریان نوری و ساختار تفاضلی چند مقیاسی تصاویر رنگی. باز هم، فیزیک فرآیند مشاهده، راه حل تحلیلی را مجبور به چند مقیاسی می کند. چندین نمونه از راه‌های رسیدن به انتخاب مقیاس مناسب در حال انجام است. دیافراگم‌ها و مفهوم مقیاس
مبانی فضای مقیاس
هسته گاوسی
مشتقات گاوسی
مشتقات چند مقیاسی: پیاده سازی
محدودیت های طبیعی در مشاهدات
تمایز و منظم سازی
سیستم بینایی جلویی - شبکیه
یک مدل مقیاس-فضای برای نمونه برداری از شبکیه
سیستم بینایی جلویی - LGN و قشر
ساختار عمیق I. تقسیم بندی حوضه آبخیز
ساختار عمیق II. نظریه فاجعه
ساختار عمیق III. اعداد توپولوژیکی
تاری گاوسی محو کننده
جریان نوری چند مقیاسی
ساختار دیفرانسیل رنگ
هسته های قابل هدایت
مقیاس زمان
انتشار هندسه محور
اپیلوگ
A. مقدمه ای بر Mathematica
B. مفهوم پیچیدگی
C. نصب کتاب و بسته ها
D. ابتدا با Mathematica شروع کنید: نکات و ترفندها

Издательство Springer, 2003, -470 pp. Scale is not an important parameter in computer vision research. It is an essential parameter. It is an immediate consequence of the process of observation, of measurements. This book is about scale, and its fundamental notion in computer vision, as well as human vision.
Scale-space theory is the theory of apertures. through which we and machines observe the world. The apertures come in an astounding variety. They can be exploited to model the first stages of human vision, and they appear in all aspects of computer vision, such as the extraction of features, the measurement of optic flow and stereo disparity, to do orientation analysis. segmentation, image enhancement etc. They have an essential role in the fundamental processes of differentiation and regularization.
Scale-space theory is named after the space that is fanned by looking at an image at many different scales simultaneously. When stacked, we get one dimension extra, i.e. the scale dimension. The scale-space is the space of the spatial and scale dimensions.
This book is a tutorial course. The level of the book is undergraduate and first level graduate. Its main purpose is to be used as a coursebook in computer vision and front-end vision entry courses. It may also be useful as an entry point for research in biological vision.
Although there are excellent texts appearing on the notion of scale space, most of them are not easy reading for people just entering this field or lacking a solid mathematical background. This book is intended partly to fill this gap, to act as an entry point for the growing literature on scale-space theory. Throughout the book we will work steadily through the necessary mathematics.
The book discusses the many classical papers published over the last two decades, when scale-space theory became mature. The different approaches and findings are put into context. First, linear scale-space theory is derived from first principles, giving it a sound mathematical basis.
The notion that a multi-scale approach is a natural consequence of the process of observation is interwoven in every chapter of this book. E.g. Hom and Schunck's famous optic flow equation gets a new meaning when we 'look at the data'. The concept of a point and local point operators like the derivative operator diffuse into versions with a Gaussian extent, making the process of differentiation well posed. It immediately makes large and mature fields like differential geometry, invariant theory, tensor analysis and singularity theory available for analysis on discrete data, such as images.
We develop ready-to-use applications of differential invariants of second, third and fourth order. The relation between accuracy, differential order and scale of the operator is developed, and an example of very high order derivatives is worked out in the analytical deblurring of Gaussian blur.
Practical examples are also developed in the chapters on multi-scale optic flow and multiscale differential structure of color images. Again, the physics of the observation process forces the analytical solution to be multi-scale. Several examples of ways to come to proper scale-selection are treated underway. Apertures and the notion of scale
Foundations of scale-space
The Gaussian kernel
Gaussian derivatives
Multi-scale derivatives: implementations
Natural limits on observations
Differentiation and regularization
The front-end visual system - the retina
A scale-space model for the retinal sampling
The front-end visual system - LGN and cortex
Deep structure I. watershed segmentation
Deep structure II. catastrophe theory
Deep structure III. topological numbers
Deblurring Gaussian blur
Multi-scale optic flow
Color differential structure
Steerable kernels
Scale-time
Geometry-driven diffusion
Epilog
A. Introduction to Mathematica
B. The concept of convolution
C. Installing the book and packages
D. First Start with Mathematica: Tips & Tricks