智能信息融合与目标识别方法 胡玉兰等著

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
......