编辑推荐

人工智能技术重要的落地分支之一，图像识别和目标识别已经作为先头兵开启了各式各样的应用之旅。

从基本的原理出发，对目标识别和图像识别技术进行详述，给出应用实例。

对信息融合技术进行了讨论。

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

　　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

　　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

　　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

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. １　ＰＳＯ 优化问题分析 １４７

　　１２. ４. ２　ＰＳＯ 优化算法流程 １４９

１２. ５　仿真结果分析和识别系统实现 １４９

　　１２. ５. １　仿真结果分析 １４９

　　１２. ５. ２　识别系统实现 １５２

１２. ６　本章小结 １５５

第13 章　模糊支持向量机理论与编程实现 157

１３. １　模糊数学理论 １５７

　　１３. １. １　模糊数学的发展历程 １５７

　　１３. １. ２　模糊集 １５８

　　１３. １. ３　几种常见的模糊隶属度函数 １５８

１３. ２　支持向量机理论 １６０

　　１３. ２. １　经验风险 １６０

　　１３. ２. ２　结构风险最小化 １６２

　　１３. ２. ３　最优超平面 １６４

　　１３. ２. ４　ＶＣ 维数 １６５

　　１３. ２. ５　核函数 １６６

１３. ３　模糊支持向量机理论 １６７

　　１３. ３. １　第一种模糊支持向量机 １６７

　　１３. ３. ２　第二种模糊支持向量机 １６８

１３. ４　模糊隶属度核函数的选择 １７０

　　１３. ４. １　基于类中心距离的隶属度函数 １７０

　　１３. ４. ２　基于Ｓ 形函数的隶属度函数 １７１

　　１３. ４. ３　基于π 形函数的隶属度函数 １７１

１３. ５　模糊支持向量机算法的编程实现 １７２

１３. ６　本章小结 １７４

第14 章　基于模糊支持向量机的识别系统实现 175

１４. １　模糊支持向量机识别系统的架构 １７５

１４. ２　图像预处理部分的实现 １７６

　　１４. ２. １　文件的打开与显示 １７７

　　１４. ２. ２　预处理模块图像增强的执行 １７８

　　１４. ２. ３　预处理模块图像分割的执行 １７８

１４. ３　特征提取部分的实现 １７９

　　１４. ３. １　文件的打开与显示 １７９

　　１４. ３. ２　传感器类型的选择 １７９

　　１４. ３. ３　计算相应的特征值 １８０

　　１４. ３. ４　特征值的存储 １８１

１４. ４　目标特征数据库系统的技术实现 １８１

　　１４. ４. １　特征数据库管理系统的构建 １８１

　　１４. ４. ２　目标动态特征库管理技术 １８２

　　１４. ４. ３　目标特征数据库建立 １８４

　　１４. ４. ４　数据库管理系统编程实现 １８５

１４. ５　模型训练部分 １８８

１４. ６　目标识别部分 １８９

　　１４. ６. １　目标识别模块工作流程与结果显示 １８９

　　１４. ６. ２　目标识别结果分析与对比 １８９

１４. ７　本章小结 １９２

参考文献 193

前言/序言

　　随着科学技术的发展.信息化已经在各个领域中得到了重视和发展.特别是在军事方面的应用.如何获得有效信息是现代化战争的一个关键点.各个国家都投入了很大的人力和物力.用以实现对目标的全天候、全方位、多角度的有效识别与追踪.单一传感器的工作环境正变得日益复杂.如遇到移动、遮挡、缩放和旋转的目标时.需要通过利用多传感器来同时获取目标多方位特征.对其进行有效的融合分析.从而能够实现对目标的识别.
　　目前.多传感器信息融合大多被应用在模式识别、目标跟踪等方面.同时在交通、网络安全、工业、军事和生物医学等领域也有着非常好的应用前景.在传统的目标识别系统中.由于技术局限、环境复杂度不高和工作要求低.一般都以单一传感器来获取数据.所以获得目标或场景的信息一般都是片面的.并且受一定的光线和环境影响导致了精确度低.
　　为此人们提出了基于多传感器多特征的目标识别方法.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.最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实现、基于模糊支持向量机的识别系统实现.
　　本书由胡玉兰、郝博、王东明、郝伟光、秦丽娟、胡南南、李芳着.本书的研究工作得到了国家自然科学基金面上项目(项目号:６１３７３０８９)的资助.作者在此表示诚挚的感谢.同时感谢机械工业出版社参加本书出版工作的同志们的大力支持与帮助.
　　信息融合目标识别技术目前仍处于不断发展的阶段.许多理论和算法还不够完善.加之作者水平所限.书中难免有疏漏之处.恳请广大读者批评指正。
　　作者