智能信息融合與目標(biāo)識別方法

前言
第1 章　緒論 1
１. １　概述 １
１. ２　研究現(xiàn)狀 ３
第2 章　特征級融合目標(biāo)識別的基本理論 5
２. １　信息融合目標(biāo)識別結(jié)構(gòu) ５
２. ２　特征級融合目標(biāo)識別系統(tǒng)基本結(jié)構(gòu) ６
２. ３　特征級融合目標(biāo)識別的關(guān)鍵問題分析 ８
２. ３. １　特征數(shù)據(jù)庫 ８
２. ３. ２　特征提取 ８
２. ３. ３　特征融合 ８
２. ３. ４　目標(biāo)識別 １０
２. ４　本章小結(jié) １１
第3 章　多源圖像的預(yù)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(quán)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(jié) ２９
第4 章　結(jié)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　全局閾值法 ３１
４. ３. ２　局部閾值法 ３６
４. ３. ３　動態(tài)閾值法 ３６
４. ４　改進(jìn)的最大類間方差法 ３６
４. ５　本章小結(jié) ４３
第5 章　結(jié)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　基于密度的聚類算法 ４７
５. ２. ４　基于模型的聚類算法 ４８
５. ２. ５　基于網(wǎng)格的聚類算法 ４８
５. ３　改進(jìn)的ＦＣＭ 聚類分割算法 ４９
５. ４　本章小結(jié) ５３
第6 章　目標(biāo)特征提取方法 54
６. １　傳統(tǒng)的特征提取方法 ５７
６. １. １　經(jīng)典的特征提取方法 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征提取和融合 ７０
６. ２. １　多傳感器特征提取 ７０
６. ２. ２　目標(biāo)區(qū)域分割和檢測 ７１
６. ２. ３　特征提取與融合 ７３
６. ３　本章小結(jié) ７５
第7 章　基于協(xié)方差矩陣多特征信息融合 77
７. １　圖像特征提取 ７７
７. １. １　多傳感器特征提取 ７７
Ⅴ
目　　錄
７. １. ２　灰度特征 ７８
７. １. ３　空間信息特征 ７８
７. １. ４　梯度信息特征 ７９
７. ２　協(xié)方差矩陣的構(gòu)造 ８０
７. ２. １　協(xié)方差矩陣與協(xié)方差 ８０
７. ２. ２　協(xié)方差矩陣距離的度量 ８１
７. ２. ３　特征協(xié)方差 ８２
７. ３　多特征信息融合 ８３
７. ４　融合實驗結(jié)果與分析 ８３
７. ５　本章小結(jié) 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　灰度共生矩陣 ８７
８. １. ２?。龋?不變矩 ８８
８. ２　幾何特征 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(shù)學(xué)模型 ９１
８. ３. ３　主成分的推導(dǎo) ９３
８. ４　基于主成分分析的圖像特征級融合實現(xiàn) ９６
８. ４. １　目標(biāo)特征的提取 ９６
８. ４. ２　特征融合 ９６
８. ４. ３　實驗結(jié)果與分析 ９６
８. ５　本章小結(jié) ９９
第9 章　基于改進(jìn)免疫遺傳的特征融合方法 100
９. １　遺傳算法基礎(chǔ)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(chǔ)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　基于改進(jìn)免疫遺傳的圖像特征級融合實現(xiàn) １０７
９. ３. １　改進(jìn)算法的關(guān)鍵技術(shù) １０７
９. ３. ２　基于改進(jìn)免疫遺傳的特征融合原理 １０８
Ⅵ
智能信息融合與目標(biāo)識別方法
９. ３. ３　特征級融合實現(xiàn) １０８
９. ３. ４　實驗結(jié)果與分析 １１１
９. ４　本章小結(jié) １１２
第10 章　基于獨立分量的特征融合 113
１０. １　ＩＣＡ 的定義 １１３
１０. ２　隨機(jī)變量的獨立性概念 １１４
１０. ３?。桑茫?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　基于ＩＣＡ 的圖像特征級融合實現(xiàn) １１９
１０. ５. １?。桑茫?的預(yù)處理 １１９
１０. ５. ２　特征融合 １２０
１０. ６　實驗結(jié)果與分析 １２１
１０. ７　本章小結(jié) １２５
第11 章　對典型相關(guān)分析特征融合方法的改進(jìn) 126
１１. １?。茫茫?的基本思想 １２６
１１. ２　ＣＣＡ 的基本原理 １２７
１１. ２. １?。茫茫?的
......