飞龙马的专栏

这本书的第一版在2002年出来时轰动一时，是一本不可多得计算机视觉的教材。计算机视觉领域发展非常快，10年前的书在现在看来多少有些过时。当然偏理论的除外，比如《Multiple View Geometry in Computer Vision》。前一段时间我还在憧憬这本书什么时候可以出第二版。后来在浏览David Forsyth的个人主页时，兴奋得发现我的愿望实现了。更兴奋的是在iask上可以下到

资料来源：Robert Collins,CSE486, Penn State第8讲Stereo Vision深度信息感知是人类产生立体视觉的前提。生理过程一定是相当复杂，此处，我们只从物理角度，并采用数学的方法来讨论。Inferring depth from images taken at the same time by two or more cameras. 基本透视投影

[置顶] 牛人blog分类： 乐在科研中2010-10-15 15:15 1240人阅读 评论(0) 收藏 举报matlabresources算法filterimage这个是个牛人关于计算机视觉方面。。。做的非常好。。。Reproducible research in computational science:  http://www.csee.wvu.edu

历时一个多月，终于用业余时间把这些资料整理出来了。以后可能会有些小修小补，但不会有太大的变化了。万里长征走完了第一步，剩下的就是理解和消化了。借新浪ishare共享出来，希望能够对你的科研也有一定的帮助。现在已经把所有的文章打包，分成了16个子文件，欢迎整体下载。图像处理与计算机视觉：基础，经典以及最近发展（1）序图像处理与计算机视觉：基础，经典以及最近发展（2）图像处理与计算机视

自己视野狭小，不敢说全部，只是把自己熟悉的方向中的部分经典文章列出来了。经典的论文，读得怎么透都不过分。有人说关于配准的文章太多了，其实我也不太关注这方面，不过由于它们引用率都比较高，就都列出来了，不过在zip包里一篇都没有。不关注这方面的可以无视之。文档和论文下载地址：http://iask.sina.com.cn/u/2252291285/ish?folderid=775855

这一章是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。本章的下载地址：http://iask.sina.com.cn/u/2252291285/ish?folderid=868772

本章主要讨论图像处理与分析。虽然后面计算机视觉部分的有些内容比如特征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己所用，或者从中得到灵感，这就够了。本章的下载地址在：http://iask.sina.com.cn/u/22

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

1. 数学我们所说的图像处理实际上就是数字图像处理，是把真实世界中的连续三维随机信号投影到传感器的二维平面上，采样并量化后得到二维矩阵。数字图像处理就是二维矩阵的处理，而从二维图像中恢复出三维场景就是计算机视觉的主要任务之一。这里面就涉及到了图像处理所涉及到的三个重要属性：连续性，二维矩阵，随机性。所对应的数学知识是高等数学（微积分），线性代数（矩阵论），概率论和随机过程。这三门课也是考研

1. 为什么要写这篇文章      从2002年到现在，接触图像快十年了。虽然没有做出什么很出色的工作，不过在这个领域摸爬滚打了十年之后，发现自己对图像处理和计算机视觉的感情越来越深厚。下班之后看看相关的书籍和文献是一件很惬意的事情。平常的一大业余爱好就是收集一些相关的文章，尤其是经典的文章，到现在我的电脑里面已经有了几十G的文章。写这个文档的想法源于我前一段时间整理文献时的一个突发奇想，

本文章有转载自其它博文，也有自己发现的新库添加进来的，如果发现有新的库，可以推荐我加进来转自：http://www.cnblogs.com/tornadomeet/archive/2012/05/24/2515980.html              http://www.cnblogs.com/mothe123/p/4267248.html   Deep Learnin