数字图像处理 第四版 Pratt 著
Digital Image Processing
(附:写作风格独树一帜,也是图像处理领域很不错的一本书。网上也可以找到非常清晰的电子版。)
5. 小结
罗嗦了这么多,实际上就是几个建议:
(1)基础书千万不可以扔,也不能低价处理给同学或者师弟师妹。不然到时候还得一本本从书店再买回来的。钱是一方面的问题,对
着全新的书看完全没有看自己当年上过的课本有感觉。
(2)遇到有相关的课,果断选修或者蹭之,比如随机过程,小波分析,模式识别,机器学习,数据挖掘,现代信号处理甚至泛函。多
一些理论积累对将来科研和工作都有好处。
(3)资金允许的话可以多囤一些经典的书,有的时候从牙缝里面省一点都可以买一本好书。不过千万不要像我一样只囤不看。
三、 计算机视觉中的信号处理与模式识别
从本章开始,进入本文的核心章节。一共分三章,分别讲述信号处理与模式识别,图像处理与分析以及计算机视觉。与其说是讲述,
不如说是一些经典文章的罗列以及自己的简单点评。与前一个版本不同的是,这次把所有的文章按类别归了类,并且增加了很多文献。
分类的时候并没有按照传统的分类方法,而是划分成了一个个小的门类,比如 SIFT,Harris 都作为了单独的一类,虽然它们都可以划分
到特征提取里面去。这样做的目的是希望能突出这些比较实用且比较流行的方法。为了以后维护的方便,按照字母顺序排的序。
1. Boosting
Boosting 是最近十来年来最成功的一种模式识别方法之一,个人认为可以和 SVM 并称为模式识别双子星。它真正实现了“三个臭皮匠,
赛过诸葛亮”。只要保证每个基本分类器的正确率超过 50%,就可以实现组合成任意精度的分类器。这样就可以使用最简单的线性分类
器。Boosting 在计算机视觉中的最成功的应用无疑就是 Viola-Jones 提出的基于 Haar 特征的人脸检测方案。听起来似乎不可思议,但
Haar+Adaboost 确实在人脸检测上取得了巨大的成功,已经成了工业界的事实标准,并且逐步推广到其他物体的检测。
Rainer Lienhart 在 2002 ICIP 发表的这篇文章是 Haar+Adaboost 的最好的扩展,他把原始的两个方向的 Haar 特征扩展到了四个方向,他本
人是 OpenCV 积极的参与者。现在 OpenCV 的库里面实现的 Cascade Classification 就包含了他的方法。这也说明了盛会(如
ICIP,ICPR,ICASSP)也有好文章啊,只要用心去发掘。
[1997] A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting
[1998] Boosting the margin A new explanation for the effectiveness of voting methods
[2002 ICIP TR] Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection
[2003] The Boosting Approach to Machine Learning An Overview
[2004 IJCV] Robust Real-time Face Detection
2. Clustering
聚类主要有 K 均值聚类,谱聚类和模糊聚类。在聚类的时候如果自动确定聚类中心的数目是一个一直没有解决的问题。不过这也很正常,
评价标准不同,得到的聚类中心数目也不一样。不过这方面还是有一些可以参考的文献,在使用的时候可以基于这些方法设计自己的准
则。关于聚类,一般的模式识别书籍都介绍的比较详细,不过关于 cluster validity 讲的比较少,可以参考下面的文章看看。
[1989 PAMI] Unsupervised Optimal Fuzzy Clustering
[1991 PAMI] A validity measure for fuzzy clustering
[1995 PAMI] On cluster validity for the fuzzy c-means model
[1998] Some New Indexes of Cluster Validity