大多数参数可以使用基本的假设来 设定（正方形垂直的像素，光心位于图像中心），比较难处理的是获得正确的焦距。因为光心通常在图像的中心，并且图像的坐 标是从左上角开始计算的，所以光心的坐标常接近于图像宽度和高度的一半。此外，需要注意的是，我们现在获取的焦距是在特定图像分辨率下计算出来的，此例图像大小为2592×1936像素，用下面的辅助函数求出K。值得注意的是，RQ因子分解的结果并不是唯一的，需要限制

本章主要介绍图像分类和图像内容分类算法，先介绍一些简单有效的方法和性能最好的分类器，并运用它们解决两类和多类分类问题，最后展示手势识别和目标识别的应用实例。

如果有一个场景的两个视图以及视图中的对应图像点，那么根据照相机间的空间相 对位置关系、照相机的性质以及三维场景点的位置，可以得到对这些图像点的一些 几何关系约束。以三维重建为例，恢复出的点的位置和由估计 的基础矩阵计算出的照相机矩阵都存在误差。根据在照相机标定矩阵参数上做出的假设，以及可用的图像数据的类型（特征 匹配、平行线、平面等），我们有很多不同的自标定算法。上面的代码首先利用前两个视图的信息

给定任意图像的标记 点，通过将这些点进行三角剖分，然后使用仿射扭曲来扭曲每个三角形，我们可以 将图像和另一幅图像的对应标记点扭曲对应。图像扭曲指的是通过几何变换（如旋转、缩放、平移）或非线性变换对图像进行修改，从而改变图像的形状或结构的过程。现在让我们将该算法应用于一个例子，在该例子中，在5×6的网格上使用30个控 制点，将一幅图像扭曲到另一幅图像中的非平坦区域。需要注意，标记物的坐标tp是用齐次

线性判别分析（简称LDA）是一种经典的线性学习方法，LDA的思想非常朴素，给定训练样例集，设法将样例投影到一条直线上，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离；“一对其余”（简称OvR）则是每次每次将一个类的样例作为正例、所有其他类的样例作为反例来 训练N个分类器，训练N个分类器，存储开销和测试时间小；作为正例的相对可能性，对几率取对数得到“对数几率”

这里，对图像进行索引就是从这些图像中 提取描述子，利用词汇将描述子转换成视觉单词，并保存视觉单词及对应图像的单词 直方图。这里，我们用BoW 来表示整个图像，不过这里介绍的过程是通用的，可以应用 于寻找相似的物体、相似的脸、相似的颜色等，它完全取决于图像及所用的描述子。通常，数据集（或语料 库）中一个单词的重要性与它在文档中出现的次数成正比，而与它在语料库中出现 的次数成反比。imlist包含的是

首先创建一个包含叶节点的列表， 然后根据选择的距离度量方式将距离最近的对归并到一起，返回的终节点即为树的 根。当然，还有其他将哪两个节点合并 在一起的方案，比如在两个子树中使用对象间距离最小的单向锁，及在两个子树中 用对象间距离最大的完全锁。创建一 个矩阵，该矩阵的各列是由之前求出的k个特征向量构成，每一行可以看做一个新 的特征向量，长度为k。是输入数据，并且是矢量。将图像区域或像素合并成有意义的

首先，对以上代码进行说明，Sigmoid函数及其导数用于激活神经元，SimpleNeuralNetwork类实现了神经网络的结构与训练方法，使用XOR数据集训练模型，并输出预测结果。比较具有代表性的模型就是“M-P神经元模型”，如图5.1所示，中间的圆圈表示当前神经元，而该神经元又与其他n个神经元连接，并且产生一个输出y。，即输入示例由d个属性描述，输出l维实值向量。由于BP神经网络强大的表示能力

线性判别分析（简称LDA）是一种经典的线性学习方法，LDA的思想非常朴素，给定训练样例集，设法将样例投影到一条直线上，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离；“一对其余”（简称OvR）则是每次每次将一个类的样例作为正例、所有其他类的样例作为反例来 训练N个分类器，训练N个分类器，存储开销和测试时间小；作为正例的相对可能性，对几率取对数得到“对数几率”

图像表示与描述是图像识别和理解的重要组成部分。图像表示分成边界表示（如链码、边界分段等）和区域表示（如四叉树、骨架等）两大类。边界表示关心的是图像中区域的形状特征，区域则表示倾向于反映区域的灰度、颜色、纹理等特征的特点。