最新《图像时代的早期阅读》读书笔记精选多篇Word文件下载.docx

资源描述

最新《图像时代的早期阅读》读书笔记精选多篇Word文件下载.docx

《最新《图像时代的早期阅读》读书笔记精选多篇Word文件下载.docx》由会员分享，可在线阅读，更多相关《最新《图像时代的早期阅读》读书笔记精选多篇Word文件下载.docx（8页珍藏版）》请在冰豆网上搜索。

最新《图像时代的早期阅读》读书笔记精选多篇Word文件下载.docx

哇好痛快!

小男孩似乎完成了一件大事，他为能坚持找到真正适合自己的卫生间感到满意极了。

该书从语言文字的传递到画面人物动态的刻画都十分儿童化，情趣十足。

笑足之余，你会为一个认真、可爱的孩子所感动。

图画书所散发的美丽除了画面的精美，更重要的是书中的童趣。

那种孩子身上特有的思想感情，那种单纯、幼稚可笑的语言、行为和心理活动，实在邻人着迷，忍俊不禁。

第二篇：

《图像时代的早期阅读》读书笔记《图像时代的早期阅读》读书笔记

《图像时代的早期阅读》书中主要介绍了儿童图画书的发展历程，并介绍了图像时代的各国著名的早期阅读读本，告诉我们怎样的读本才是理想的早期阅读读本;

在《图像时代的早期阅读》一书中，谈到早期阅读的指导方法时，其中有一点给我的体会较深，就是体察童趣，感受童书的神奇魅力。

书中介绍了故事《来不及了，来不及了，快要来不及了?

》这本绘本充满了童趣，小男孩急于想上卫生间，从一楼跑到五楼，最终才找到适合自己的卫生间的奇特经历。

“来不及了，来不及了，快要来不及了?

”小男孩边叨念边疾步网四楼跑去，推门进去，哇!

”当小男孩推门进卫生间，一个个明亮洁净的便槽出现在眼前。

哇——好痛快!

图画书所散发的美丽除了画面的精美，更重要的是书中的童趣。

第三篇：

数字图像处理读书笔记《数字图象处理》学士论文读书笔记

运动对象检测是数字图像处理技术的一个重要部分，它是计算机视觉、目标识别与跟踪、运动图像编码、基于内容的检索、安全监控等视频分析和处理应用的关键步骤。

解决跟踪算法的计算量与实时性这对矛盾，是提高系统跟踪精度和跟踪稳定性的关键，此即为本文的关键所在。

对于变化很慢的背景图像而言，可把动目标看作目标对背景的扰乱，可以看作kalman滤波器在零均值白噪声时的退化公式：

）渐减小，结果是收敛的，对于图像，只要系统采样频率足够快，则可以认为背景静止，所以当图像序列通过这个低通滤波器时，图像序列中遂时间缓变的部分就可以分离出来。

接着利用图像和背景进行差分运算，即可从图像中提取出变化的目标

式中的d（k+1）是去除背景后的当前帧目标图像。

而后，考虑到空间邻接像素之?

（k?

1）d（k?

1）?

（k）?

k（k?

bit数据量。

因此对计算机的计算速度、存储容量等要求较高。

（2）数字图像处理占用的频带较宽。

与语言信息相比，占用的频带要大几个数量级。

如电视图像的带宽约5.6mhz，而语音带宽仅为4khz左右。

所以在成像、传输、存储、处理、显示等各个环节的实现上，技术难度较大，成本亦高，这就对频带压缩技术提出了更高的要求。

（3）数字图像中各个像素是不独立的，其相关性大。

在图像画面上，经常有很多像素有相同或接近的灰度。

就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数可达0.9以上，而相邻两帧之间的相关性比帧内相关性一般说还要大些。

因此，图像处理中信息压缩的潜力很大。

（4）由于图像是三维景物的二维投影，一幅图象本身不具备复现三维景物的全部几何信息的能力，很显然三维景物背后部分信息在二维图像画面上是反映不出来

的。

因此，要分析和理解三维景物必须作合适的假定或附加新的测量，例如双目图像或多视点图像。

在理解三维景物时需要知识导引，这也是人工智能中正在致力解决的知识工程问题。

（5）数字图像处理后的图像一般是给人观察和评价的，因此受人的因素影响较大。

由于人的视觉系统很复杂，受环境条件、视觉性能、人的情绪爱好以及知识状况影响很大，作为图像质量的评价还有待进一步深入的研究。

另一方面，计算机视觉是模仿人的视觉，人的感知机理必然影响着计算机视觉的研究。

例如，什么是感知的初始基元，基元是如何组成的，局部与全局感知的关系，优先敏感的结构、属性和时间特征等，这些都是心理学和神经心理学正在着力研究的课题。

在数字图像处理中图像的数字化显示是基础。

将模拟图像转化成数字图像的过程就是图形、图像的数字化过程。

这个过程主要包含采样、量化和编码三个步骤。

1．采样采样的实质就是要用多少点来描述一幅图像，采样结果质量的高低就是用前面所说的图像分辨率来衡量。

简单来讲，对二维空间上连续的图像在水平和垂直方向上等间距地分割成矩形网状结构，所形成的微小方格称为像素点。

一副图像就被采样成有限个像素点构成的集合。

采样频率是指一秒钟内采样的次数，它反映了采样点之间的间隔大小。

采样频率越高，得到的图像样本越逼真，图像的质量越高，但要求的存储量也越大。

在进行采样时，采样点间隔大小的选取很重要，它决定了采样后的图像能真实地反映原图像的程度。

一般来说，原图像中的画面越复杂，色彩越丰富，则采样间隔应越小。

由于二维图像的采样是一维的推广，根据信号的采样定理，要从取样样本中精确地复原图像，可得到图像采样的奈奎斯特（nyquist）定理：

图像采样的频率必须大于或等于源图像最高频率分量的两倍。

2．量化量化是指要使用多大范围的数值来表示图像采样之后的每一个点。

量化的结果是图像能够容纳的颜色总数，它反映了采样的质量。

例如：

如果以4位存储一个点，就表示图像只能有16种颜色；

若采用16位存储一个点，则有216=65536种颜色。

所以，量化位数越来越大，表示图像可以拥有更多的颜色，自然可以产生更为细致的图像效果。

但是，也会占用更大的存储空间。

两者的基本问题都是视觉效果和存储空间的取舍。

假设有一幅黑白灰度的照片，因为它在水平于垂直方向上的灰度变化都是连续的，都可认为有无数个像素，而且任一点上灰度的取值都是从黑到白可以有无限个可能值。

通过沿水平和垂直方向的等间隔采样可将这幅模拟图像分解为近似的有限个像素，每个像素的取值代表该像素的灰度（亮度）。

对灰度进行量化，使其取值变为有限个可能值。

经过这样采样和量化得到的一幅空间上表现为离散分布的有限个像素，灰度取值上表现为有限个离散的可能值的图像称为数字图像。

只要水平和垂直方向采样点数足够多，量化比特数足够大，数字图像的质量就比原始模拟图像毫不逊色。

在量化时所确定的离散取值个数称为量化级数。

为表示量化的色彩值（或亮度值）所需的二进制位数称为量化字长，一般可用8位、16位、24位或更高的量化字长来表示图像的颜色；

量化字长越大，则越能真实第反映原有的图像的颜色，但得到的数字图像的容量也越大。

3．压缩编码数字化后得到的图像数据量十分巨大，必须采用编码技术来压缩其信息量。

在一定意义上讲，编码压缩技术是实现图像传输与储存的关键。

数学里的变换，指一个图形（或表达式）到另一个图形（或表达式）的演变。

图象变换是函数的一种作图方法。

已知一个函数的图象，通过某种或多种连续方式变换，得到另一个与之相关的函数的图象，这样的作图方法叫做图象变换。

在图像变换中傅立叶变换就是应用最广泛的一种变换。

数字图像经二维离散傅立叶变换后，其空间域处理可变换为变换域处理，它具有很多明显的优点，最突出的是算法运算次数将大大减少，并可采用二维数字滤波技术进行所需要的各种图像处理。

二位离散余弦变换其去相关性近似于k-l（karhunen-loeve）最佳变换,算法复杂度适中,易于硬件实现,且具有抗干扰能力强等优点,因此,dct及idct被广泛应用于h.261、h.263、h.264、jpeg、mpeg等视频压缩标准中。

小波分解可以覆盖整个频域（提供了一个数学上完备的描述）；

小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性；

小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率（宽分析窗口），在高频段，可用低频率分辨率和高时间分辨率（窄分析窗口）；

小波变换实现上有快速算法（mallat小波分解算法）。

小波变换是一种信号的时间——尺度分析方法，他具有多分辨率分析的特点，而且在时频两域都具有表征信号

局部特征的能力，是一种窗口大小固定不变但其形状可变，时间窗和频率窗都可变的时频局部化分析方法。

即再低频部分具有较高的频率分辨率和时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜。

小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间一频率窗口，是进行信号时频分析和处理的理想工具。

它的主要特点是通过变换能够充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用，特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。

从此，小波变换越来越引起人们的重视，其应用领域来越来越广泛。

第五篇：

读书笔记（图像和视频中的不规则检测）论文题目：

detectingirregularitiesinimagesandinvideo所载刊物：

internationaljournalofcomputervision74

（1）,17–31,2020作者：

orenboimanandmichalirani

主要内容和结论（观点）：

该文主要阐述了作者在检测图像和视频等可视化数据中的不规则数据的研究成果。

文章中表明，图像和视频中不规则图像模型的探测在各种各样的任务中都是很有用的。

对于监视和监测来说探测可疑行为或是异常目标是重要的。

早先识别可疑行为或活动的方法可以广泛的被分成两类：

基于规则的方法和没有预定义规则的统计方法。

而在该文中作者提出将探测规则和不规则的问题公式化成为用从先前可视样本（数据库）中提取出来的时空块组成（解释）新的观察的可视数据（一个图像或是一段视频，在下面提到时用“查询”表示）的问题。

这些可以用从样本数据库中抽取的大的连续数据块组成的查询中的区域被认为是相似的，这些区域越大，相似性就越强。

在不能用样本数据库组成的查询中的区域被认为是不相似的或是可疑的。

作者的方法因此可以从仅仅少量的几个样本就能推断或是归纳出更大的上下文的图像模式和行为，甚至那些从来都没有见过的特别构造。

（这个过程被定义为“通过组合的推论”）

作者认为该文作出了以下四个主要的贡献：

1、提出了一个可以从仅有的几个样本中就可以推理和归纳的方法，这个方法是关于一个更大的上下文图像模式和行为的合法性的，甚至是那些从来都没有见过的特殊构造的合法性。

2、提出了一个基于图表的贝叶斯定理的推论算法，它可以在成倍增加的时空范围里有效探测大的整套的碎片块（例如，数以百计的碎片块）。

同时它可以增强这些在整体以及单个的描述符上的碎片里的相关几何方面的排列上的约束。

3、提出了对图像和视频里术语中的“显著”和“视觉注意”给出一个新的解释。

4、提出了一个单一的、统一的框架来处理计算机视觉里几个的问题，这些问题在过去已经被单独地处理过。

它们包括：

图像和视频中值得注意的

地方，可疑行为的识别，异常物体的识别，自动视频检查（例如，用于质量保证）等等。

论文中的基本算法：

1、统计公式

用y来表示一个观察到的查询范围内的碎片组合。

计算连接的可能性p（x，y），其中观察到的查询中的组合y与在数据库（既在碎片的描述符值相似也在相对位置上相似）中的隐藏的组合x是相似的。

我们可以把连接的可能性分解成：

p（x,y）=p（y|x）p（x）。

令dy表示观察到的碎片y中的第i个描述符向量，ly表示它的位置（在绝对坐标里）。

类似的，dx表示在碎片x中的第i个隐藏（数据库）的描述符向量，lx表示它的位置。

令cy和cx表示被观察到的和隐藏的组合的“原始”点。

任何这样一对组合y和x的相似性被以下的可能性公式捕获：

iiii

p（x,y）=p（cx,d1x,...,l1x,...,cy,d1y,...,l1y,...）（公式1）

我们用一个高斯分布在描述符间建立相似性模型：

p（diy|dix）=α1exp（?

1/2（diy?

dix）tsd?

1（diy?

dix））（公式2）

这里，α1是一个常量，sd是一个常量协方差矩阵，它决定描述符值的可允许的偏差。

其它的分布可以根据其它描述符的相似性函数插入到模型中。

给定一个隐藏数据库碎片的相对位置（lx?

cx），观察到的相应碎片（ly?

cy）的相对位置被假设成不依赖于所有其它碎片位置。

这个假设使得有足够灵活性去适应在视线角度、范围、位置和行为上的微小变化进行比较两个碎片组合的几何排列，这样：

iip（liy|lix,cx,cy）=α2·

exp（?

1/2（（liy?

cy）?

（lix?

cx））t×

1l（（liy?

cx））））（公式3）

到目前为止我们已经建立了组合（描述符：

dy,dx和相应位置：

ly?

cy,lx?

iiiicx）间属性的关系模型，我们仍然需要建立隐藏组合内的关系（也就是一个碎片描述符dx和它的位置间lx的关系）模型。

利用数据库中的样本进行非参数化的为它建模：

1（dx,lx）∈database

p（dx|lx）=（公式4）

0otherap（最大归纳的可能性）分配。

这被通过上面统计模型来完成，这个模型具有一个简单并且确切的信任传播运算法则。

根据公式（5），map分配可以被写成：

1111p（c,d,...,l,...,c,d,...,lxxxyyy）maxx

=α?

iiiiiiip（l|l,c,c）p（d|d）p（d|lyxxyyxxx）（公式7）maxmaxlxidxi

首先我们为每一个碎片计算从结点dx到结点lx关于它在位置lx的信任消息：

iii

midl（lix）=iiiip（d|d）p（d|lyxxx）（公式8）maxdxi

也就是，对于每一个观察到的碎片，用高描述符相似性计算每一个候选数据

库位置lx。

下一步，对这些候选数据库的每一个位置，我们都传递一个包含在数据库中可能原始位置cx：

milc（cx）=iiip（l|l,c,c）m（lyxxydlx）（公式9）maxlxi

在这一点，我们有一个被每一个碎片暗示的候选原始列表。

为了计算一个整体组合任务的可能性，我们从组合里的所有个体碎片中乘这信任：

mc（cx）=?

milc（cx）（公式10）

通过这个运算法则处理的推论运算量一个map推论。

3、估算查询点的可能性

对于查询中每一个点，我们尝试在它周围组合一个大的区域。

这可以通过检查围绕着每一个点的大区域的有效性，检查时用上面的推论处理过程（通过计算一个查询区域相似性）。

这一点参与了很多查询区域中。

我们定义一个查询点的相似性为包含那个点的最大区域可能性。

因此，假如存在一个包含它的大区域，有相应的相似性数据库区域的话，在查询中的一个点将有一个高可能性。

这样，我们可以利用部份的目标遮挡组合成查询，因为靠近边界的点被包含在目标里的一个大的区域中。

然而，部分遮挡可能生成小的邻接的目标区域，这些区域不能用我们当前推论算法去组合。

在文章中，作者还提出了算法的性能改进，并介绍了一些基于该文中所述方法的探测图像和视频中不规则方面的应用：

包括探测异常图像构造、单一图像的显著空间、探测可疑行为以及自动视频检查（质量保证）等等。

最后，文章给出了结论：

“通过组合的推论”，允许我们可以由少数几个样例就能在一个更大的上下文中去归纳什么是规则的，什么是不规则的。

这个压缩过程的实现是作为一个概率图像模型里的高效推论算法来完成的，它适应查询与数据库之间微小的时空变形。

“通过组合的推论”，也可以应用在完全没有任何早先样本的情况下探测可视数据的显著性。

为了这个目的我们把每一个图像区域称作一个“查询”，并且尽力利用剩下部分的图像（数据库）去组合它。

这个过程依次重复所有的图像区域。

像这样一些不能用图像的其它部分“解释”（组合）的区域将作为显著区域

被探测出来。

这导致了在可视数据上的一个新定义的术语：

显著。

在视频数据的案例中，这些区域是时空相关的，并且这些显著的视频区域是与显著的行为相呼应的。

“通过组合的推论”，这一方法是通用的并且因此能够研究在一个单一的、统一的框架里的问题，它的一般性使得它不用采取任何基于分类模型的预学习的方法。

我们通过探测可疑行为，显著行为，显著图像区域，探测货物或产品来证明这个方法的应用。

文章中也提到，该文中的算法有两个主要的局限性：

（i）尽管遮挡可以处理某种程度的影响，它不能处理一些极端的遮挡（例如当只有物体的小碎片部分是显著时）。

（ii）时间和存储的复杂度在该文的推论算法中是随样本数据库的大小显线性变化的。

这对于大的数据库来说显然是有问题的。

这两个问题会是作者将来研究的一个主题。