丛书前言一
丛书前言二
前言
1 绪论
1.1 声呐图像读取
1.1.1 Didson 前视声呐
1.1.2 BlueView 前视声呐
1.1.3 侧扫声呐图像
1.2 侧扫声呐图像校正
1.2.1 DVL 的记录格式
1.2.2 从相对坐标系到绝对坐标系的映射
1.3 水下声呐图像处理研究现状
1.3.1 图像分割
1.3.2 目标识别
1.4 本书的主要工作
参考文献
2 基于 MRF 模型的声呐图像分割（I）：先验参数估计
2.1 判别式和生成式
2.2 Markov 随机场
2.2.1 最大后验概率
2.2.2 类条件分布
2.2.3 先验分布
2.2.4 参数估计
2.3 条件参数估计
2.4 先验参数估计
2.4.1 伪似然估计
2.4.2 基于 Coding 的伪似然估计
2.4.3 均值场逼近
2.4.4 MCMC：均匀采样
2.4.5 MCMCML：重要性采样
2.4.6 无似然算法
2.4.7 最小二乘法
2.5 基于局部中心编码的先验参数估计
2.5.1 Ising 场
2.5.2 Potts 场
2.5.3 统一的 LAE 算法
2.6 实验准备
2.6.1 评价指标：Cramer-Rao 界
2.6.2 Onsager 的解析解
2.6.3 纹理图像生成
2.7 实验结果
2.7.1 收敛速度（各向同）
2.7.2 Cramer-Rao 界（各向同）
2.7.3 各向异时的先验参数估计
2.7.4 声呐图像分割
2.8 小结
参考文献
3 基于 MRF 模型的声呐图像分割（II）：Markov 链的初始化
3.1 标签场初始化
3.2 基于 SAE 的标签场初始化
3.2.1 autoencoder
3.2.2 SAE 网络
3.2.3 SAE 网络的学习算法
3.2.4 选择性激活函数
3.3 实验
3.3.1 标签场初始化
3.3.2 图像分割
3.4 小结
参考文献
4 基于 Graded-MRF 的声呐图像分割
4.1 回顾：离散形式的 MRF 算法
4.2 EMMF（I）：从 EM 说起
4.2.1 Gibbs 分布的向量形式
4.2.2 MRF 的一般形式
4.2.3 用 EM 估计参数并不可行
4.2.4 均值场近似计算原理
4.2.5 均值 hzsi 依然无法求解
4.3 EMMF（II）：算法推导
4.3.1 Markov 链更新
4.3.2 Maximization：计算 P（zs丨X，Ψ（t））
4.3.3 Expectation（I）：利用似然学习Θ
4.3.4 Expectation（II）：利用似然学习β
4.3.5 EMMF 算法
4.4 Graded-MRF
4.4.1 热浴动力
4.4.2 Potts 系统的平衡态
4.4.3 （内场）参数估计
4.4.4 （外场）类条件参数估计
4.4.5 Graded-MRF 算法
4.4.6 另一个视角：用 Bayes 推断思考先验参数估计
4.5 实验
4.5.1 前视声呐图像
4.5.2 侧扫声呐图像
4.6 小结
参考文献
5 基于 CRF 的前视声呐目标识别
5.1 从 MRF 到 CRF
5.1.1 基于块的 MRF 模型
5.1.2 CRF
5.1.3 交互函数
5.2 似然最大
5.2.1 似然函数
5.2.2 梯度
5.2.3 鞍点近似
5.2.4 利用 LBP 计算 MAP
5.2.5 理解 LBP 的传播过程
5.3 预处理：去除虚景噪声
5.3.1 坐标转换
5.3.2 虚景检测
5.3.3 基于 MRF 的图像复原
5.4 特征提取
5.4.1 纹理特征
5.4.2 形状特征
5.5 实验（I）：直角坐标系
5.5.1 CRF 训练
5.5.2 识别结果
5.6 实验（II）：极坐标系
5.6.1 极坐标系中的特征提取
5.6.2 识别结果
5.7 讨论
5.7.1 相邻图像块之间交互
5.7.2 进行特征提取的原因
5.8 小结
参考文献
6 二维前视声呐图像配准：外周互信息最大化
6.1 二维前视声呐图像配准
6.1.1 图像配准
6.1.2 前视声呐图像配准算法分类
6.2 互信息最大化
6.2.1 互信息
6.2.2 研究现状
6.2.3 区域互信息
6.3 外周互信息
6.3.1 正态分布假设
6.3.2 独立假设
6.4 实验
6.4.1 邻域的大小
6.4.2 估计已知变换参数的声呐图像对
6.4.3 声呐图像配准（I）：管线埋设数据集
6.4.4 声呐图像配准（II）：非结构化环境
6.5 小结
参考文献
附录A 利用LAE算法估计Kanter的Potts模型
参考文献
附录B 利用LAE算法估计Descombes的Potts模型
参考文献
索引
彩图

本书利用Markov随机场理论对水下声呐图像处理所涉及的图像分割、图像识别和图像配准等问题进行系统的研究全书首先从传感器数据采集的角度对声呐图像进行简洁直观的介绍。接着以声呐图像分割为应用背景对Markov随机场、条件随机场、均值场以及它们之间的关系进行全面深入的推导和阐述。最后将随机场理论引入互信息，介绍一种基于外周互信息的前视声呐图像配准方法。水下环境的特殊性造成了感知数据的特异性。本书注意到了将通用的随机场理论引入实际水下声呐图像处理领域所带来的适应性问题，对此进行了深入的分析并提出相应的解决方案。
本书可作为水下机器人、智能无人系统开发和水下声呐图像处理相关专业的高年级本科生或研究生的参考书，也可作为工程技术人员的参考手册。