《計算機視覺：模型、學習和推理》——第1部分 機率

本節書摘來自華章計算機《計算機視覺：模型、學習和推理》一書中的第1部分,作者：（英）普林斯（prince，j. d.）著， 更多章節内容可以通路雲栖社群“華章計算機”公衆号檢視。

本書第一部分（第2～5章）緻力于簡要回顧機率和機率分布。幾乎所有的計算機視覺模型可以在機率範圍内解釋，本書将在機率論的基礎上呈現計算機視覺。機率解釋最初看起來可能比較複雜，但它有一個很大的優勢：它提供全書使用的通用符号，闡明複雜模型之間的關系。

為什麼機率是适合描述計算機視覺問題的語言？在照相機裡，三維世界投影到光學器件表面進而形成圖像：一個關于測量參數的二維集合。我們的目标是獲得這些測量參數并使用它們組建建立它們的世界的特性。然而，存在兩個問題。首先，測量過程有噪聲幹擾。我們所觀察到的不是進入傳感器的光線量，而是其總量的噪聲估計。我們必須描述這些資料中的噪聲，為此我們需要利用機率。其次，現實世界和測量參數之間的關系一般是多對一的：現實世界的許多配置可能有相同的測量參數。每一個可能世界的存在機率也是用機率表示的。

第一部分的結構如下：第2章介紹使用機率分布的基本規則，包括條件機率、邊緣機率和貝葉斯規則，還介紹更多的進階工具，如獨立性和期望。

第3章讨論8種具體的機率分布的特性。以四個機率分布為一個集合，我們将其分為兩個集合。第一個集合用來描述所觀察到的資料或者真實世界的狀态。第二個集合的分布為第一組集合的參數模組化。結合兩者，我們可以拟合一個機率模型并提供有關拟合程度的資訊。

第4章讨論拟合觀測資料的機率分布方法，還讨論在拟合模型下如何評估新資料點的機率以及如何考慮拟合模型的不确定性。最後，第5章詳細探讨多元正态分布的性質。這種分布在視覺應用中是無處不在的，并有許多有用性質經常在機器視覺開發中使用。

對機率模型和貝葉斯理論非常熟悉的讀者可以跳過這部分，直接進入第二部分。