智能信息融合与目标识别方法
作者：胡玉兰等著
出版时间：2018
内容简介
《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。
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 改进的最大类间方差法 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
８. ４. ３ 实验结果与分析 ９６
８. ５ 本章小结 ９９
第9 章 基于改进免疫遗传的特征融合方法 100
９. １ 遗传算法基础理论 １００
９. １. １ 遗传算法概述 １００
９. １. ２ 遗传算法流程 １０１
９. ２ 一般的免疫算法基础理论 １０３
９. ２. １ 免疫算法概述 １０４
９. ２. ２ 免疫算法流程 １０５
９. ２. ３ 一般的免疫遗传算法 １０５
９. ３ 基于改进免疫遗传的图像特征级融合实现 １０７
９. ３. １ 改进算法的关键技术 １０７
９. ３. ２ 基于改进免疫遗传的特征融合原理 １０８
Ⅵ
智能信息融合与目标识别方法
９. ３. ３ 特征级融合实现 １０８
９. ３. ４ 实验结果与分析 １１１
９. ４ 本章小结 １１２
第10 章 基于独立分量的特征融合 113
１０. １ ＩＣＡ 的定义 １１３
１０. ２ 随机变量的独立性概念 １１４
１０. ３ ＩＣＡ 独立性的度量 １１５
１０. ３. １ 非高斯性 １１５
１０. ３. ２ 互信息 １１７
１０. ４ 快速固定点ＩＣＡ 算法 １１７
１０. ５ 基于ＩＣＡ 的图像特征级融合实现 １１９
１０. ５. １ ＩＣＡ 的预处理 １１９
１０. ５. ２ 特征融合 １２０
１０. ６ 实验结果与分析 １２１
１０. ７ 本章小结 １２５
第11 章 对典型相关分析特征融合方法的改进 126
１１. １ ＣＣＡ 的基本思想 １２６
１１. ２ ＣＣＡ 的基本原理 １２７
１１. ２. １ ＣＣＡ 的
......
