Markov随机场在视觉和图像处理中的应用PDF电子书下载

第1章 Markov随机场简介 1

1.1 最简单的Markov模型：Markov链 2

1.2 隐Markov模型 3

1.3 树状Markov模型 5

1.3.1 树结构的推理：置信度传播 6

1.3.2 实例：五个节点模型上的“最大-积”置信度传播 6

1.4 Markov随机场：图状Markov模型 7

1.5 隐MRF模型 9

1.5.1 实例：像素四连通图的分割 10

1.5.2 实例：图像重建 11

1.5.3 连续值MRF 11

1.5.4 条件随机场 11

1.6 推理：最大后验／边缘 12

1.6.1 Gibbs取样 12

1.6.2 均值场近似 12

1.6.3 迭代条件模态 12

1.6.4 模拟退火 13

1.6.5 环状置信度传播 13

1.7 离散模型中的MAP推理 14

1.7.1 子模伪布尔函数 14

1.7.2 采用图切割最小化子模伪布尔函数 14

1.8 图切割的多值标签求解 15

1.9 线性规划的MAP推理 16

1.1 0 Markov随机场的参数学习 17

1.1 0.1 最大似然 17

1.1 0.2 最大间隔学习 18

1.1 1符号汇编 19

第一部分MRF的MAP估计推理算法 22

第2章 基本的图切割算法 22

2.1 最小切割／最大流问题算法描述 23

2.1.1 有向图背景 23

2.1.2 最小切割／最大流问题 24

2.1.3 组合优化的标准算法 24

2.1.4 BK算法 25

2.1.5 时空效率分析 26

2.2 能量最小工具——最大流算法 27

2.2.1 参数重置和规范形式 28

2.2.2 子模 29

2.3 最小化非子模函数 30

2.3.1 顶对偶松弛特性 31

2.3.2 最大流求解顶对偶松弛：BHS算法 31

2.4 总结 33

2.5 附录：最大流的参数重置 33

第3章 移动生成算法优化多标签MRF 35

3.1 简介 35

3.2 交换和扩展算法概述 37

3.2.1 离散优化中的局部最小值 37

3.2.2 交换和扩展移动的定义 37

3.2.3 算法和特性 39

3.3 搜寻最优交换和扩展移动 39

3.4 最优特性分析 40

3.4.1 扩展算法 41

3.4.2 半度量近似 41

3.5 实验结果 42

3.5.1 图像复原 42

3.5.2 立体匹配 43

3.6 结论 44

第4章 凸性和截断凸性先验下的多标记MRF优化 45

4.1 简介 45

4.2 凸函数Ψij（i，j）优化求解 46

4.3 截断凸函数Ψij（i，j）优化求解 48

4.3.1 αβ范围移动 48

4.3.2 |α-β≤T时的αβ范围移动 49

4.3.3 泛化的αβ范围移动 49

4.4 实验结果 50

4.4.1 图像复原 50

4.4.2 图像修复 50

4.4.3 立体匹配 51

4.5 后续发展 52

第5章 环状置信度传播与均值场理论及Bethe近似 53

5.1 两种典型的MRF模型 53

5.2 均值场理论和变分方法 55

5.2.1 均值场自由能 55

5.2.2 均值场自由能和变分边界 56

5.2.3 最陡下降最小化自由能及其变种 57

5.2.4 温度和确定性退火 58

5.3 置信度传播和Bethe自由能 59

5.3.1 消息传递 60

5.3.2 Bethe自由能 60

5.3.3 对偶形式下的消息描述 61

5.4 随机推理 61

5.5 讨论 63

致谢 64

第6章 线性规划和置信度传播的变种 65

6.1 引言 65

6.1.1 能量最小化和其线性规划松弛 65

6.1.2 特殊目的的LP求解法需求 67

6.2 常用“和-积”置信度传播和线性规划 67

6.3 凸性最大-积BP 71

6.4 讨论 73

6.5 附录：执行细节 73

6.5.1 对数空间中的执行 73

6.5.2 Potts模型中高效计算消息 73

致谢 74

第二部分 包含分割的M RF应用 76

第7章 采用图切割方法的交互式前景提取 76

7.1 交互式图像分割简介 77

7.2 基本的图切割用于图像分割 78

7.3 GrabCut+方法：迭代图切割用于图像分割 79

7.3.1 GrabCut模型 80

7.3.2 优化过程 80

7.3.3 GrabCut模型特性 81

7.4 背景去除：MS Office 2010中的图像分割 82

7.4.1 初始化和边界框先验 82

7.4.2 建模用户意图 83

7.5 评价与后续工作 84

7.5.1 稳态用户输入 84

7.5.2 动态用户输入 84

7.5.3 后续工作 86

致谢 86

第8章 连续值MRF下的图像分割 87

8.1 泛化图像分割算法 87

8.2 p-画刷问题的求解 90

8.2.1 p-画刷算法的特殊情况 90

8.2.2 任意p范数的分割 91

8.3 实验 92

8.3.1 度量人工效应 92

8.3.2 近邻偏差 94

8.3.3 萎缩偏差 95

8.4 结论 96

8.5 附录：无穷范数最优定理的证明 96

致谢 97

第9章 双层结构的视频分割 98

9.1 介绍 98

9.2 概率分割模型 99

9.2.1 条件随机场能量项 99

9.2.2 时序先验项 99

9.2.3 Ising空间能量 101

9.2.4 颜色似然 101

9.2.5 运动似然 101

9.2.6 能量最小化的推理 102

9.3 实验结果 103

9.4 结论 105

致谢 105

第10章 MRF超分辨率和纹理合成 106

10.1 图像预滤波 106

10.2 未知状态的表示 107

10.3 MRF参数化 108

10.4 环状置信度传播 109

10.5 纹理合成 111

10.6 一些相关应用 113

致谢 113

第11章 MRF中能量最小方法的比较研究 114

11.1 简介 114

11.2 问题描述和实验架构 115

11.2.1 能量模型 115

11.2.2 方法评估和软件界面 115

11.3 能量最小化算法 116

11.3.1 迭代条件模态 116

11.3.2 基于图切割的移动决策方法 116

11.3.3 最大-积环状置信度传播 116

11.3.4 树状重置权重消息传递 117

11.4 基准问题 117

11.4.1 立体匹配 117

11.4.2 照片蒙太奇 118

11.4.3 二值图像分割 119

11.4.4 图像去噪与修复 119

11.5 实验结果 119

11.6 实验对比：遮挡和无遮挡的立体视觉 123

11.7 结论 125

第三部分 深入讨论：推理、参数学习和连续模型 128

第12章 凸松弛技术在分割、立体视觉和多视角重建中的应用 128

12.1 变分方法、偏微分方程和凸性 128

12.2 图像分割和最小划分 129

12.2.1 典型的变分方法 129

12.2.2 一般的变分公式 129

12.2.3 凸表示 130

12.2.4 凸松弛 131

12.2.5 分割实验结果 132

12.3 立体重建 132

12.4 多视角重构 134

12.5 总结和结论 137

第13章 连续值Markov随机场中的参数学习 138

13.1 计算机视觉中的连续MRF 138

13.2 基本公式表达 138

13.3 连续模型中的参数估计 139

13.4 最大似然参数估计 139

13.4.1 MRF中基于损失的参数估计 140

13.4.2 参数估计的执行过程 141

13.5 高斯MRF模型中基于损失的参数估计 141

13.5.1 实例应用：高斯条件随机场的图像去噪 141

13.5.2 GMRF模型的去噪 142

13.5.3 设计和学习权重函数用于去噪 142

13.5.4 去噪执行效果 144

13.6 非高斯模型下的基于损失的学习算法 145

13.6.1 计算梯度的完整步骤 146

13.6.2 相关工作 146

13.6.3 评价 146

13.7 结论 146

致谢 147

第14章 连续隐变量的消息传递 148

14.1 连续适应性离散化过程 148

14.2 离散化因子图 149

14.3 离散化算法 150

14.4 CAD-MP实例 152

14.5 CAD-MP的相关工作 153

14.6 粒子网络的置信度传播 154

14.7 重要性函数选择 155

14.8 无参置信度传播 155

14.9 无参置信度传播实例 157

14.1 0讨论 159

致谢 159

第15章 采用图切割学习最大间隔随机场 160

15.1 随机场学习概述 160

15.1.1 一种基于能量的学习算法 162

15.1.2 大间隔学习的目标函数 163

15.1.3 一种有效的学习算法 163

15.1.4 图像分割中的参数学习 164

15.2 目标函数 165

15.2.1 重放缩间隔 165

15.2.2 重放缩松弛 166

15.2.3 能量损失最小值 166

15.3 实验 166

15.3.1 提炼分割 167

15.3.2 几何标记 168

15.4 讨论和结论 169

致谢 170

第16章 MAP估计中的凸松弛分析 171

16.1 预备知识 172

16.2 MAP估计及其凸松弛 173

16.2.1 整数规划形式 173

16.2.2 线性规划松弛 173

16.2.3 二次规划松弛 174

16.2.4 半定规划松弛 174

16.2.5 二阶锥形松弛规划 175

16.3 松弛对比 176

16.3.1 比较标准 176

16.3.2 LP-S与SOCP-MS对比 177

16.3.3 QP-RL与SOCP-MS对比 178

16.3.4 树状和环状结构的SOCP松弛 179

16.4 讨论 179

致谢 180

第17章 快速原始-对偶线性规划的MAP推理 181

17.1 介绍 181

17.2 原始-对偶框架 182

17.3 MRF中的原始-对偶框架 184

17.3.1 类别Ⅰ的原始-对偶方法 186

17.3.2 类别Ⅱ的原始-对偶方法 187

17.4 最大流求解MRF中的快速原始-对偶框架 188

17.5 原始-对偶算法的最优特性 189

17.6 原始-对偶算法的计算效率 190

17.6.1 简单的MRF 190

17.6.2 动态MRF 191

17.7 结论 193

致谢 193

第18章 扩展标记空间中的MRF融合移动优化 194

18.1 介绍 194

18.2 融合移动算法简介 195

18.2.1 二值标记MRF的组合优化 195

18.2.2 融合移动 195

18.2.3 非子模处理 196

18.3 与其他类融合方法的关系 197

18.4 应用 198

18.4.1 采用融合移动并行α扩展 198

18.4.2 光流估计的融合流 199

18.5 讨论 202

第四部分 高阶MRF和全局约束 204

第19章 专家场 204

19.1 介绍 204

19.2 专家场的基本描述 206

19.2.1 对比差异学习 207

19.2.2 推理 208

19.3 实例应用 208

19.3.1 图像去噪 209

19.3.2 图像修复 209

19.4 实验评价 209

19.4.1 去噪实验 210

19.4.2 修复实验 210

19.5 拓展及其他应用 211

19.6 讨论 212

19.7 总结和结论 212

致谢 213

第20章 采用高阶势函数强化标记一致性 214

20.1 介绍 214

20.1.1 目标分割与识别 214

20.1.2 高阶CRF 215

20.2 二元CRF的目标分割 215

20.3 融合高阶势函数 216

20.3.1 基于区域的一致性势函数 217

20.3.2 质量敏感一致性势函数 217

20.3.3 势函数鲁棒化 218

20.3.4 生成多个分割结果 219

20.4 高阶CRF的推理 219

20.5 鲁棒高阶势函数 220

20.5.1 近似凹性一致势函数 221

20.5.2 鲁棒高阶势函数的泛化形式 222

20.6 高阶移动函数的转换 222

20.7 实验 223

20.7.1 多次分割效应 224

20.7.2 计算精确度 225

20.8 结论 225

第21章 含非局部参数Markov随机场的确切优化 226

21.1 介绍 226

21.2 相关工作 227

21.3 最优框架 227

21.3.1 能量和下界 227

21.3.2 分支和界定优化 228

21.4 二值图像分割 229

21.4.1 形状先验下的分割 230

21.4.2 灰度先验下的分割 232

21.5 基于部分的目标检测 233

21.6 讨论 236

第22章 含连通性先验图切割下的图像分割 237

22.1 介绍 237

22.2 问题描述 239

22.3 算法 240

22.3.1 Dijkstra GC：融合Dijkstra和图切割 240

22.3.2 问题分解方法 243

22.4 实验结果 244

22.4.1 交互式分割的Dijkstra GC 244

22.4.2 Dijkstra GC的最优性 246

第五部分F的高级应用 248

第23章 对称立体匹配下的遮挡求解 248

23.1 介绍 248

23.1.1 已有工作 248

23.1.2 可视性约束 249

23.2 对称立体模型 250

23.2.1 数据项 250

23.2.2 平滑项 251

23.2.3 可视性项 251

23.3 置信度传播下的迭代优化 251

23.4 软约束下的分割 253

23.5 实验结果 254

23.6 结论 256

第24章 转向随机场的图像复原 257

24.1 介绍 257

24.2 相关工作 258

24.3 转向滤波响应和统计特性 259

24.4 转向随机场模型 260

24.4.1 基本模型 260

24.4.2 实际考虑 261

24.4.3 学习 262

24.5 图像复原应用 262

24.6 总结与展望 264

致谢 264

第25章 Markov随机场的目标检测 265

25.1 布局一致随机场模型 266

25.1.1 布局一致的二元势函数 267

25.1.2 实例势函数 268

25.2 推理 269

25.2.1 扩展移动算法 269

25.2.2 推理目标实例 270

25.3 学习 270

25.3.1 一元势函数 270

25.3.2 二元势函数 271

25.3.3 实例势函数 272

25.4 评价 272

25.4.1 UIUC汽车数据库 272

25.4.2 人脸数据库 273

25.4.3 多类情况 274

25.4.4 多视角 274

25.5 结论 275

第26章 SIFT流：多场景稠密匹配及其应用 276

26.1 介绍 276

26.2 SIFT流算法 277

26.2.1 稠密SIFT描述子和可视化 277

26.2.2 匹配的目标函数 278

26.2.3 SIFT流的邻域 279

26.3 稠密场景对应匹配实验 279

26.4 大规模数据集中基于对齐框架的图像分析与合成 282

26.4.1 从单幅图像中预测运动场 282

26.4.2 人脸识别 283

26.5 结论 284

致谢 285

第27章 展开镶嵌图像：视频中形变表面建模 286

27.1 介绍 286

27.2 展开的镶嵌模型 287

27.2.1 离散能量形式 289

27.2.2 数据代价 289

27.2.3 约束 290

27.2.4 映射平滑 290

27.2.5 可视平滑 291

27.2.6 纹理先验 291

27.3 最小化能量 291

27.3.1 寻找w：重参数化和嵌入过程 291

27.3.2 最小化w：稠密映射 292

27.3.3 最小化w和b：含遮挡的稠密映射 292

27.3.4 最小化C：拼接 293

27.3.5 过程总汇 293

27.4 结果 293

27.5 讨论 294

致谢 295