相關商品
商品簡介
目次
商品簡介
《智能信息融合與目標識別方法》研究了信息融合目標識別技術，首先分析了特徵級融合目標識別的基本理論，然後研究了多源圖像的預處理、結合閾值分割的分水嶺算法、結合聚類分割的分水嶺算法、目標特徵提取方法。對於特徵融合方法，研究了基於協方差矩陣多特徵信息融合、基於主成分分析的特徵融合方法、基於改進免疫遺傳的特徵融合方法、基於獨立分量的特徵融合、對典型相關分析特徵融合方法的改進。後介紹了基於優化改進的反向傳播神經網絡目標識別、模糊支持向量機理論與編程、基於模糊支持向量機的識別系統。
目次
前言
第1 章 緒論 1
１. １ 概述 １
１. ２ 研究現狀 ３
第2 章 特徵級融合目標識別的基本理論 5
２. １ 信息融合目標識別結構 ５
２. ２ 特徵級融合目標識別系統基本結構 ６
２. ３ 特徵級融合目標識別的關鍵問題分析 ８
２. ３. １ 特徵數據庫 ８
２. ３. ２ 特徵提取 ８
２. ３. ３ 特徵融合 ８
２. ３. ４ 目標識別 １０
２. ４ 本章小結 １１
第3 章 多源圖像的預處理 13
３. １ 多源圖像的去噪 １３
３. １. １ 噪聲分析 １３
３. １. ２ 常用的圖像去噪方法 １４
３. １. ３ 幾種較新的去噪方法 １５
３. ２ 多源圖像的平滑 ２０
３. ２. １ 均值平滑法 ２０
３. ２. ２ 鄰域平均法 ２０
３. ２. ３ 加權平均法 ２１
３. ２. ４ 選擇式掩模平滑法 ２１
３. ３ 多源圖像的濾波 ２３
３. ３. １ 低通濾波 ２３
３. ３. ２ 高通濾波 ２４
３. ３. ３ 中值濾波 ２６
Ⅳ
３. ３. ４ 維納濾波 ２７
３. ４ 本章小結 ２９
第4 章 結合閾值分割的分水嶺算法 30
４. １ 引言 ３０
４. ２ 圖像閾值分割概述 ３０
４. ３ 常用的閾值分割方法 ３１
４. ３. １ 全域閾值法 ３１
４. ３. ２ 局部閾值法 ３６
４. ３. ３ 動態閾值法 ３６
４. ４ 改進的最大類間方差法 ３６
４. ５ 本章小結 ４３
第5 章 結合聚類分割的分水嶺算法 44
５. １ 圖像聚類分割概述 ４４
５. ２ 常用的圖像聚類分割算法 ４６
５. ２. １ 劃分聚類算法 ４６
５. ２. ２ 層次聚類算法 ４７
５. ２. ３ 基於密度的聚類算法 ４７
５. ２. ４ 基於模型的聚類算法 ４８
５. ２. ５ 基於網格的聚類算法 ４８
５. ３ 改進的ＦＣＭ 聚類分割算法 ４９
５. ４ 本章小結 ５３
第6 章 目標特徵提取方法 54
６. １ 傳統的特徵提取方法 ５７
６. １. １ 經典的特徵提取方法 ５７
６. １. ２ 多項式不變矩 ５９
６. １. ３ 共生矩陣 ６７
６. ２ 紅外和可見光圖像特徵提取和融合 ７０
６. ２. １ 多傳感器特徵提取 ７０
６. ２. ２ 目標區域分割和檢測 ７１
６. ２. ３ 特徵提取與融合 ７３
６. ３ 本章小結 ７５
第7 章 基於協方差矩陣多特徵信息融合 77
７. １ 圖像特徵提取 ７７
７. １. １ 多傳感器特徵提取 ７７
Ⅴ
目 錄
７. １. ２ 灰度特徵 ７８
７. １. ３ 空間信息特徵 ７８
７. １. ４ 梯度信息特徵 ７９
７. ２ 協方差矩陣的構造 ８０
７. ２. １ 協方差矩陣與協方差 ８０
７. ２. ２ 協方差矩陣距離的度量 ８１
７. ２. ３ 特徵協方差 ８２
７. ３ 多特徵信息融合 ８３
７. ４ 融合實驗結果與分析 ８３
７. ５ 本章小結 ８５
第8 章 基於主成分分析的特徵融合方法 87
８. １ 特徵提取 ８７
８. １. １ 灰度共生矩陣 ８７
８. １. ２ Ｈｕ 不變矩 ８８
８. ２ 幾何特徵 ９０
８. ３ 主成分分析的定義 ９０
８. ３. １ 主成分分析的基本原理 ９０
８. ３. ２ 數學模型 ９１
８. ３. ３ 主成分的推導 ９３
８. ４ 基於主成分分析的圖像特徵級融合實現 ９６
８. ４. １ 目標特徵的提取 ９６
８. ４. ２ 特徵融合 ９６
８. ４. ３ 實驗結果與分析 ９６
８. ５ 本章小結 ９９
第9 章 基於改進免疫遺傳的特徵融合方法 100
９. １ 遺傳算法基礎理論 １００
９. １. １ 遺傳算法概述 １００
９. １. ２ 遺傳算法流程 １０１
９. ２ 一般的免疫算法基礎理論 １０３
９. ２. １ 免疫算法概述 １０４
９. ２. ２ 免疫算法流程 １０５
９. ２. ３ 一般的免疫遺傳算法 １０５
９. ３ 基於改進免疫遺傳的圖像特徵級融合實現 １０７
９. ３. １ 改進算法的關鍵技術 １０７
９. ３. ２ 基於改進免疫遺傳的特徵融合原理 １０８
Ⅵ
智能信息融合與目標識別方法
９. ３. ３ 特徵級融合實現 １０８
９. ３. ４ 實驗結果與分析 １１１
９. ４ 本章小結 １１２
第10 章 基於獨立分量的特徵融合 113
１０. １ ＩＣＡ 的定義 １１３
１０. ２ 隨機變量的獨立性概念 １１４
１０. ３ ＩＣＡ 獨立性的度量 １１５
１０. ３. １ 非高斯性 １１５
１０. ３. ２ 互信息 １１７
１０. ４ 快速固定點ＩＣＡ 算法 １１７
１０. ５ 基於ＩＣＡ 的圖像特徵級融合實現 １１９
１０. ５. １ ＩＣＡ 的預處理 １１９
１０. ５. ２ 特徵融合 １２０
１０. ６ 實驗結果與分析 １２１
１０. ７ 本章小結 １２５
第11 章 對典型相關分析特徵融合方法的改進 126
１１. １ ＣＣＡ 的基本思想 １２６
１１. ２ ＣＣＡ 的基本原理 １２７
１１. ２. １ ＣＣＡ 的
第1 章 緒論 1
１. １ 概述 １
１. ２ 研究現狀 ３
第2 章 特徵級融合目標識別的基本理論 5
２. １ 信息融合目標識別結構 ５
２. ２ 特徵級融合目標識別系統基本結構 ６
２. ３ 特徵級融合目標識別的關鍵問題分析 ８
２. ３. １ 特徵數據庫 ８
２. ３. ２ 特徵提取 ８
２. ３. ３ 特徵融合 ８
２. ３. ４ 目標識別 １０
２. ４ 本章小結 １１
第3 章 多源圖像的預處理 13
３. １ 多源圖像的去噪 １３
３. １. １ 噪聲分析 １３
３. １. ２ 常用的圖像去噪方法 １４
３. １. ３ 幾種較新的去噪方法 １５
３. ２ 多源圖像的平滑 ２０
３. ２. １ 均值平滑法 ２０
３. ２. ２ 鄰域平均法 ２０
３. ２. ３ 加權平均法 ２１
３. ２. ４ 選擇式掩模平滑法 ２１
３. ３ 多源圖像的濾波 ２３
３. ３. １ 低通濾波 ２３
３. ３. ２ 高通濾波 ２４
３. ３. ３ 中值濾波 ２６
Ⅳ
３. ３. ４ 維納濾波 ２７
３. ４ 本章小結 ２９
第4 章 結合閾值分割的分水嶺算法 30
４. １ 引言 ３０
４. ２ 圖像閾值分割概述 ３０
４. ３ 常用的閾值分割方法 ３１
４. ３. １ 全域閾值法 ３１
４. ３. ２ 局部閾值法 ３６
４. ３. ３ 動態閾值法 ３６
４. ４ 改進的最大類間方差法 ３６
４. ５ 本章小結 ４３
第5 章 結合聚類分割的分水嶺算法 44
５. １ 圖像聚類分割概述 ４４
５. ２ 常用的圖像聚類分割算法 ４６
５. ２. １ 劃分聚類算法 ４６
５. ２. ２ 層次聚類算法 ４７
５. ２. ３ 基於密度的聚類算法 ４７
５. ２. ４ 基於模型的聚類算法 ４８
５. ２. ５ 基於網格的聚類算法 ４８
５. ３ 改進的ＦＣＭ 聚類分割算法 ４９
５. ４ 本章小結 ５３
第6 章 目標特徵提取方法 54
６. １ 傳統的特徵提取方法 ５７
６. １. １ 經典的特徵提取方法 ５７
６. １. ２ 多項式不變矩 ５９
６. １. ３ 共生矩陣 ６７
６. ２ 紅外和可見光圖像特徵提取和融合 ７０
６. ２. １ 多傳感器特徵提取 ７０
６. ２. ２ 目標區域分割和檢測 ７１
６. ２. ３ 特徵提取與融合 ７３
６. ３ 本章小結 ７５
第7 章 基於協方差矩陣多特徵信息融合 77
７. １ 圖像特徵提取 ７７
７. １. １ 多傳感器特徵提取 ７７
Ⅴ
目 錄
７. １. ２ 灰度特徵 ７８
７. １. ３ 空間信息特徵 ７８
７. １. ４ 梯度信息特徵 ７９
７. ２ 協方差矩陣的構造 ８０
７. ２. １ 協方差矩陣與協方差 ８０
７. ２. ２ 協方差矩陣距離的度量 ８１
７. ２. ３ 特徵協方差 ８２
７. ３ 多特徵信息融合 ８３
７. ４ 融合實驗結果與分析 ８３
７. ５ 本章小結 ８５
第8 章 基於主成分分析的特徵融合方法 87
８. １ 特徵提取 ８７
８. １. １ 灰度共生矩陣 ８７
８. １. ２ Ｈｕ 不變矩 ８８
８. ２ 幾何特徵 ９０
８. ３ 主成分分析的定義 ９０
８. ３. １ 主成分分析的基本原理 ９０
８. ３. ２ 數學模型 ９１
８. ３. ３ 主成分的推導 ９３
８. ４ 基於主成分分析的圖像特徵級融合實現 ９６
８. ４. １ 目標特徵的提取 ９６
８. ４. ２ 特徵融合 ９６
８. ４. ３ 實驗結果與分析 ９６
８. ５ 本章小結 ９９
第9 章 基於改進免疫遺傳的特徵融合方法 100
９. １ 遺傳算法基礎理論 １００
９. １. １ 遺傳算法概述 １００
９. １. ２ 遺傳算法流程 １０１
９. ２ 一般的免疫算法基礎理論 １０３
９. ２. １ 免疫算法概述 １０４
９. ２. ２ 免疫算法流程 １０５
９. ２. ３ 一般的免疫遺傳算法 １０５
９. ３ 基於改進免疫遺傳的圖像特徵級融合實現 １０７
９. ３. １ 改進算法的關鍵技術 １０７
９. ３. ２ 基於改進免疫遺傳的特徵融合原理 １０８
Ⅵ
智能信息融合與目標識別方法
９. ３. ３ 特徵級融合實現 １０８
９. ３. ４ 實驗結果與分析 １１１
９. ４ 本章小結 １１２
第10 章 基於獨立分量的特徵融合 113
１０. １ ＩＣＡ 的定義 １１３
１０. ２ 隨機變量的獨立性概念 １１４
１０. ３ ＩＣＡ 獨立性的度量 １１５
１０. ３. １ 非高斯性 １１５
１０. ３. ２ 互信息 １１７
１０. ４ 快速固定點ＩＣＡ 算法 １１７
１０. ５ 基於ＩＣＡ 的圖像特徵級融合實現 １１９
１０. ５. １ ＩＣＡ 的預處理 １１９
１０. ５. ２ 特徵融合 １２０
１０. ６ 實驗結果與分析 １２１
１０. ７ 本章小結 １２５
第11 章 對典型相關分析特徵融合方法的改進 126
１１. １ ＣＣＡ 的基本思想 １２６
１１. ２ ＣＣＡ 的基本原理 １２７
１１. ２. １ ＣＣＡ 的
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。