目    录

第1章　引言	1
1.1　从基础到应用	1
1.2　第1部分：彩色基础	2
1.3　第2部分：光度不变性	2
1.3.1　基于物理性质的
不变性	3
1.3.2　基于机器学习的
不变性	3
1.4　第3部分：彩色恒常性	3
1.5　第4部分：彩色特征提取	3
1.5.1　从亮度到彩色	4
1.5.2　特征、描述符和
显著性	4
1.5.3　分割	4
1.6　第5部分：应用	5
1.6.1　检索和视觉探索	5
1.6.2　彩色命名	6
1.6.3　多光谱应用	6
1.7　本章小结	6
第1部分  彩色基础
第2章　彩色视觉	9
2.1　引言	9
2.2　彩色信息处理步骤	9
2.2.1　眼睛和光学	9
2.2.2　视网膜：杆状细胞和
锥状细胞	9
2.2.3　神经节细胞和感受野	11
2.2.4　外侧膝状核和视觉
皮层	11
2.3　视觉系统的色度特性	12
2.3.1　色度适应	12
2.3.2　人类彩色恒常性	12
2.3.3　空间相互作用	14
2.3.4　色度辨别和色觉障碍	15
2.4　本章小结	17
第3章　彩色成像	18
3.1　朗伯反射模型	19
3.2　双色反射模型	20
3.3　库贝卡·蒙克模型	21
3.4　对角模型	23
3.5　彩色空间	24
3.5.1　XYZ系统	24
3.5.2　RGB系统	26
3.5.3　对立彩色空间	27
3.5.4　感知均匀彩色空间	28
3.5.5　直观彩色模型	29
3.6　本章小结	31
第2部分  光度不变性
第4章　基于像素的光度不变性	35
4.1　归一化彩色空间	35
4.2　对立彩色空间	37
4.3　HSV彩色空间	37
4.4　合成彩色空间	38
4.4.1　体反射率不变性	38
4.4.2　体和表面反射率
不变性	39
4.5　噪声稳定性和直方图构建	41
4.5.1　噪声扩散	42
4.5.2　通过变换的彩色扩散
噪声示例	42
4.5.3　使用可变核密度构建
直方图	44
4.6　应用：基于彩色的目标识别	45
4.6.1　数据集合性能测量	45
4.6.2　抗噪声的鲁棒性：
模拟数据	46
4.7　本章小结	49
第5章　彩色比率的光度不变性	50
5.1　光源不变彩色比率	51
5.2　光源不变边缘检测	53
5.3　模糊鲁棒和彩色恒常图像
描述	54
5.4　应用：基于彩色比率的图像
检索	55
5.4.1　光源彩色的鲁棒性	56
5.4.2　高斯模糊的鲁棒性	56
5.4.3　真实世界模糊效果的
鲁棒性	57
5.5　本章小结	58
第6章　基于导数的光度不变性	59
6.1　完全光度不变量	61
6.1.1　高斯彩色模型	61
6.1.2　RGB相机的高斯彩色
模型	63
6.1.3　高斯彩色模型的导数	64
6.1.4　朗伯反射模型的微分
不变量	65
6.1.5　双色反射模型的微分
不变量	68
6.1.6　完全彩色不变量小结	71
6.1.7　二维中的几何彩色
不变量	71
6.2　准不变量	72
6.2.1　双色反射模型中的
边缘	72
6.2.2　光度变量和准不变量	74
6.2.3　准不变量与完全不变
量的联系	75
6.2.4　完全不变量和准不变
量的局部化和鉴别
能力	78
6.3　本章小结	80
第7章　基于机器学习的光度不变性	81
7.1　从多样化的集合中学习	81
7.2　时域集合学习	85
7.3　为区域检测学习彩色不变量	85
7.4　实验	88
7.4.1　误差测度	88
7.4.2　皮肤检测：静止图像	89
7.4.3　视频中的道路检测	92
7.5　本章小结	96
第3部分  彩色恒常性
第8章　光源估计和色彩适应	99
8.1　光源估计	100
8.2　色彩适应	101
第9章　使用低层特征的彩色恒常性	103
9.1　通用灰色世界	103
9.2　灰色边缘	105
9.3　基于物理的方法	108
9.4　本章小结	108
第10章　使用色域方法的彩色
恒常性	109
10.1　使用导数结构的色域映射	111
10.1.1　对角偏移模型	111
10.1.2　像素值线性组合的
色域映射	111
10.1.3　N-jet色域	112
10.2　色域映射算法的组合	113
10.2.1　组合可行集	114
10.2.2　组合算法输出	114
10.3　本章小结	114
第11章　基于机器学习的彩色
恒常性	115
11.1　概率方法	115
11.2　使用输出统计的组合	115
11.3　使用自然图像统计的组合	116
11.3.1　空间图像结构	116
11.3.2　算法选择	118
11.4　使用语义信息的方法	119
11.4.1　使用场景类别	119
11.4.2　使用高层视觉
信息	120
11.5　本章小结	122
第12章　彩色恒常性方法的评价	123
12.1　数据集	123
12.1.1　高光谱数据	123
12.1.2　RGB数据	123
12.1.3　小结	124
12.2　性能评估	125
12.2.1　数学距离	125
12.2.2　感知距离	126
12.2.3　彩色恒常性距离	126
12.2.4　感知分析	126
12.3　实验	128
12.3.1　比较算法性能	129
12.3.2　评价	129
12.4　本章小结	132
第4部分  彩色特征提取
第13章　彩色特征检测	137
13.1　彩色张量	138
13.1.1　光度不变导数	140
13.1.2　彩色坐标变换的
不变性	141
13.1.3　鲁棒的完全光度
不变性	142
13.1.4　基于彩色张量
的特征	143
13.1.5　实验：鲁棒特征点
检测和提取	148
13.2　彩色显著性	149
13.2.1　彩色独特性	150
13.2.2　基于物理的
去相关	151
13.2.3　彩色图像的统计	153
13.2.4　提升彩色显著性	154
13.2.5　彩色独特性的
评估	155
13.2.6　重复性	156
13.2.7　通用性说明	158
13.3　本章小结	159

第14章　彩色特征描述	161
14.1　基于高斯导数的描述符	163
14.2　鉴别力	166
14.3　不变性层次	170
14.4　信息内容	171
14.4.1　实验结果	173
14.5　本章小结	173
第15章　彩色图像分割	174
15.1　彩色盖伯滤波	174
15.2　朗伯反射下的不变盖伯
滤波器	176
15.3　基于彩色的纹理分割	176
15.4　使用不变各向异性滤波
的材料识别	179
15.4.1　MR8-NC滤波
器组	181
15.4.2　MR8-INC滤波
器组	181
15.4.3　MR8-LINC滤波
器组	182
15.4.4　MR8-SLINC滤波
器组	182
15.4.5　滤波器组特性
小结	182
15.5　彩色不变码本和特定材料
的适应	183
15.6　实验	184
15.6.1　使用彩色不变码本
的材料分类	184
15.6.2　材料图像的彩色-
纹理分割	185
15.6.3　使用自适应彩色不
变量码本的材料
分类	186
15.7　基于德劳内三角剖分的
图像分割	188
15.7.1　基于光度彩色不变
性的同质性	188

15.7.2　基于相似谓词的
同质性	189
15.7.3　差异测度	189
15.7.4　分割结果	190
15.8　本章小结	191
第5部分  应用
第16章　目标和场景识别	195
16.1　对角模型	195
16.2　彩色SIFT描述符	196
16.3　目标和场景识别	198
16.3.1　特征提取流水线	198
16.3.2　分类	199
16.3.3　图像基准：PASCAL
视觉目标类挑战	199
16.3.4　视频基准：Mediamill
挑战	200
16.3.5　评价准则	200
16.4　结果	201
16.4.1　图像基准：PASCAL 
VOC挑战	201
16.4.2　视频基准：Mediamill
挑战	202
16.4.3　比较	203
16.5　本章小结	205
第17章　彩色命名	206
17.1　基本彩色术语	206
17.2　源自校准数据的彩色
名称	209
17.2.1　模糊彩色命名	210
17.2.2　彩色类别	211
17.2.3　无色类别	214
17.2.4　模糊集估计	215
17.3　源自未校准数据的彩色
名称	219
17.3.1　彩色名称数据集	220
17.3.2　学习彩色名称	220
17.3.3　赋彩色名称到测试
图像	224
17.3.4　灵活性彩色名称
数据集	224
17.4　实验结果	225
17.5　本章小结	228
第18章　多光谱图像分割	229
18.1　反射和相机模型	229
18.1.1　多光谱成像	229
18.1.2　相机和成像模型	229
18.1.3　白平衡	230
18.2　光度不变距离测度	231
18.2.1　色度极角间的
距离	231
18.2.2　色调极角间的
距离	232
18.2.3　讨论	234
18.3　误差扩散	234
18.3.1　源自光子噪声的
不确定性扩散	234
18.3.2　不确定性的扩散	235
18.4　基于聚类的光度不变区域
检测	236
18.4.1　鲁棒K-均值聚类	236
18.4.2　光度不变分割	237
18.5　实验	238
18.5.1　不确定性在变换
频谱中的扩散	238
18.5.2　光度不变聚类	241
18.6　本章小结	244
引用指南	245
参考文献	247
索引	264
　　
　　
X
彩色计算机视觉：基础与应用

IX
目    录