商品详情
| 商品基本信息 | |
| 商品名称： | 智能信息融合与目标识别方法 |
| 作者： | 胡玉兰 |
| 市场价： | 59.00 |
| ISBN号： | 9787111593171 |
| 版次： | 1-1 |
| 出版日期： | |
| 页数： | 193 |
| 字数： | 246 |
| 出版社： | 机械工业出版社 |
| 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 的数学描述 １２７ １１. ２. ２ 典型相关的定义及导出 １２８ １１. ２. ３ ＣＣＡ 的基本性质 １３０ １１. ３ 典型相关变量和相关系数的求解步骤 １３２ １１. ４ 基于ＣＣＡ 改进算法的图像特征级融合实现 １３３ １１. ４. １ 改进算法的关键技术 １３３ １１. ４. ２ 特征融合过程 １３３ １１. ５ 实验结果与分析 １３４ １１. ６ 本章小结 １３７ 第12 章 基于优化改进的反向传播神经网络目标识别 138 １２. １ ＢＰ 神经网络 １３９ １２. １. １ ＢＰ 网络模型 １３９ １２. １. ２ ＢＰ 神经网络结构 １３９ １２. １. ３ ＢＰ 神经网络训练学习 １４２ １２. １. ４ ＢＰ 神经网络主要特点 １４４ １２. ２ 改进的ＢＰ 神经网络 １４５ Ⅶ 目 录 １２. ３ ＰＳＯ 算法的基本原理和理论基础 １４５ １２. ３. １ ＰＳＯ 算法的基本原理 １４５ １２. ３. ２ ＰＳＯ 算法的基本流程 １４７ １２. ４ ＰＳＯ 优化改进的ＢＰ 神经网络 １４７ １２. ４ |
| 内容简介 | |
| 本书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。 |
- 机械工业出版社旗舰店 （微信公众号认证）
- 扫描二维码，访问我们的微信店铺
- 随时随地的购物、客服咨询、查询订单和物流...
