智能信息融合与目标识别方法 本书特色

《智能信息融合与目标识别方法》研究了信息融合目标识别技术，首先分析了特征级融合目标识别的基本理论，然后研究了多源图像的预处理、结合阈值分割的分水岭算法、结合聚类分割的分水岭算法、目标特征提取方法。对于特征融合方法，研究了基于协方差矩阵多特征信息融合、基于主成分分析的特征融合方法、基于改进免疫遗传的特征融合方法、基于独立分量的特征融合、对典型相关分析特征融合方法的改进。后介绍了基于优化改进的反向传播神经网络目标识别、模糊支持向量机理论与编程、基于模糊支持向量机的识别系统。

智能信息融合与目标识别方法 内容简介

作为人工智能技术重要的落地分支之一，图像识别和目标识别已经作为先头兵开启了各式各样的应用之旅。本书则是从基本的原理出发对目标识别和图像识别技术进行了详述，并给出了相应的应用实例。难能可贵的是，本书对在进行目标识别时的信息融合技术进行了讨论，进一步丰富了本书内容。相信通过阅读本书，您能得到意想不到的收获！

智能信息融合与目标识别方法 目录

前言
第1 章　绪论 1
１. １　概述 １
１. ２　研究现状 ３
第2 章　特征级融合目标识别的基本理论 5
２. １　信息融合目标识别结构 ５
２. ２　特征级融合目标识别系统基本结构 ６
２. ３　特征级融合目标识别的关键问题分析 ８
　　２. ３. １　特征数据库 ８
　　２. ３. ２　特征提取 ８
　　２. ３. ３　特征融合 ８
　　２. ３. ４　目标识别 １０
２. ４　本章小结 １１
第3 章　多源图像的预处理 13
３. １　多源图像的去噪 １３
　　３. １. １　噪声分析 １３
　　３. １. ２　常用的图像去噪方法 １４
　　３. １. ３　几种较新的去噪方法 １５
３. ２　多源图像的平滑 ２０
　　３. ２. １　均值平滑法 ２０
　　３. ２. ２　邻域平均法 ２０
　　３. ２. ３　加权平均法 ２１
　　３. ２. ４　选择式掩模平滑法 ２１
３. ３　多源图像的滤波 ２３
　　３. ３. １　低通滤波 ２３
　　３. ３. ２　高通滤波 ２４
　　３. ３. ３　中值滤波 ２６
Ⅳ
　　３. ３. ４　维纳滤波 ２７
３. ４　本章小结 ２９
第4 章　结合阈值分割的分水岭算法 30
４. １　引言 ３０
４. ２　图像阈值分割概述 ３０
４. ３　常用的阈值分割方法 ３１
　　４. ３. １　全局阈值法 ３１
　　４. ３. ２　局部阈值法 ３６
　　４. ３. ３　动态阈值法 ３６
４. ４　改进的*大类间方差法 ３６
４. ５　本章小结 ４３
第5 章　结合聚类分割的分水岭算法 44
５. １　图像聚类分割概述 ４４
５. ２　常用的图像聚类分割算法 ４６
　　５. ２. １　划分聚类算法 ４６
　　５. ２. ２　层次聚类算法 ４７
　　５. ２. ３　基于密度的聚类算法 ４７
　　５. ２. ４　基于模型的聚类算法 ４８
　　５. ２. ５　基于网格的聚类算法 ４８
５. ３　改进的ＦＣＭ 聚类分割算法 ４９
５. ４　本章小结 ５３
第6 章　目标特征提取方法 54
６. １　传统的特征提取方法 ５７
　　６. １. １　经典的特征提取方法 ５７
　　６. １. ２　多项式不变矩 ５９
　　６. １. ３　共生矩阵 ６７
６. ２　红外和可见光图像特征提取和融合 ７０
　　６. ２. １　多传感器特征提取 ７０
　　６. ２. ２　目标区域分割和检测 ７１
　　６. ２. ３　特征提取与融合 ７３
６. ３　本章小结 ７５
第7 章　基于协方差矩阵多特征信息融合 77
７. １　图像特征提取 ７７
　　７. １. １　多传感器特征提取 ７７
Ⅴ
目　　录
　　７. １. ２　灰度特征 ７８
　　７. １. ３　空间信息特征 ７８
　　７. １. ４　梯度信息特征 ７９
７. ２　协方差矩阵的构造 ８０
　　７. ２. １　协方差矩阵与协方差 ８０
　　７. ２. ２　协方差矩阵距离的度量 ８１
　　７. ２. ３　特征协方差 ８２
７. ３　多特征信息融合 ８３
７. ４　融合实验结果与分析 ８３
７. ５　本章小结 ８５
第8 章　基于主成分分析的特征融合方法 87
８. １　特征提取 ８７
　　８. １. １　灰度共生矩阵 ８７
　　８. １. ２　Ｈｕ 不变矩 ８８
８. ２　几何特征 ９０
８. ３　主成分分析的定义 ９０
　　８. ３. １　主成分分析的基本原理 ９０
　　８. ３. ２　数学模型 ９１
　　８. ３. ３　主成分的推导 ９３
８. ４　基于主成分分析的图像特征级融合实现 ９６
　　８. ４. １　目标特征的提取 ９６
　　８. ４. ２　特征融合 ９６

 1/2    1 2 下一页 尾页

工业技术 一般工业技术

在线阅读