編輯推薦

人工智能技術重要的落地分支之一，圖像識彆和目標識彆已經作為先頭兵開啓瞭各式各樣的應用之旅。

從基本的原理齣發，對目標識彆和圖像識彆技術進行詳述，給齣應用實例。

對信息融閤技術進行瞭討論。

內容簡介

《智能信息融閤與目標識彆方法》研究瞭信息融閤目標識彆技術，首先分析瞭特徵級融閤目標識彆的基本理論，然後研究瞭多源圖像的預處理、結閤閾值分割的分水嶺算法、結閤聚類分割的分水嶺算法、目標特徵提取方法。對於特徵融閤方法，研究瞭基於協方差矩陣多特徵信息融閤、基於主成分分析的特徵融閤方法、基於改進免疫遺傳的特徵融閤方法、基於獨立分量的特徵融閤、對典型相關分析特徵融閤方法的改進。後介紹瞭基於優化改進的反嚮傳播神經網絡目標識彆、模糊支持嚮量機理論與編程、基於模糊支持嚮量機的識彆係統。

目錄

前言

第1 章　緒論 1

１. １　概述 １

１. ２　研究現狀 ３

第2 章　特徵級融閤目標識彆的基本理論 5

２. １　信息融閤目標識彆結構 ５

２. ２　特徵級融閤目標識彆係統基本結構 ６

２. ３　特徵級融閤目標識彆的關鍵問題分析 ８

　　２. ３. １　特徵數據庫 ８

　　２. ３. ２　特徵提取 ８

　　２. ３. ３　特徵融閤 ８

　　２. ３. ４　目標識彆 １０

２. ４　本章小結 １１

第3 章　多源圖像的預處理 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

　　３. ３. ４　維納濾波 ２７

３. ４　本章小結 ２９

第4 章　結閤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　動態閾值法 ３６

４. ４　改進的最大類間方差法 ３６

４. ５　本章小結 ４３

第5 章　結閤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　基於密度的聚類算法 ４７

　　５. ２. ４　基於模型的聚類算法 ４８

　　５. ２. ５　基於網格的聚類算法 ４８

５. ３　改進的ＦＣＭ 聚類分割算法 ４９

５. ４　本章小結 ５３

第6 章　目標特徵提取方法 54

６. １　傳統的特徵提取方法 ５７

　　６. １. １　經典的特徵提取方法 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徵提取和融閤 ７０

　　６. ２. １　多傳感器特徵提取 ７０

　　６. ２. ２　目標區域分割和檢測 ７１

　　６. ２. ３　特徵提取與融閤 ７３

６. ３　本章小結 ７５

第7 章　基於協方差矩陣多特徵信息融閤 77

７. １　圖像特徵提取 ７７

　　７. １. １　多傳感器特徵提取 ７７

　　７. １. ２　灰度特徵 ７８

　　７. １. ３　空間信息特徵 ７８

　　７. １. ４　梯度信息特徵 ７９

７. ２　協方差矩陣的構造 ８０

　　７. ２. １　協方差矩陣與協方差 ８０

　　７. ２. ２　協方差矩陣距離的度量 ８１

　　７. ２. ３　特徵協方差 ８２

７. ３　多特徵信息融閤 ８３

７. ４　融閤實驗結果與分析 ８３

７. ５　本章小結 ８５

第8 章　基於主成分分析的特徵融閤方法 87

８. １　特徵提取 ８７

　　８. １. １　灰度共生矩陣 ８７

　　８. １. ２　Ｈｕ 不變矩 ８８

８. ２　幾何特徵 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　數學模型 ９１

　　８. ３. ３　主成分的推導 ９３

８. ４　基於主成分分析的圖像特徵級融閤實現 ９６

　　８. ４. １　目標特徵的提取 ９６

　　８. ４. ２　特徵融閤 ９６

　　８. ４. ３　實驗結果與分析 ９６

８. ５　本章小結 ９９

第9 章　基於改進免疫遺傳的特徵融閤方法 100

９. １　遺傳算法基礎理論 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　基於改進免疫遺傳的圖像特徵級融閤實現 １０７

　　９. ３. １　改進算法的關鍵技術 １０７

　　９. ３. ２　基於改進免疫遺傳的特徵融閤原理 １０８

　　９. ３. ３　特徵級融閤實現 １０８

　　９. ３. ４　實驗結果與分析 １１１

９. ４　本章小結 １１２

第10 章　基於獨立分量的特徵融閤 113

１０. １　ＩＣＡ 的定義 １１３

１０. ２　隨機變量的獨立性概念 １１４

１０. ３　ＩＣＡ 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　基於ＩＣＡ 的圖像特徵級融閤實現 １１９

　　１０. ５. １　ＩＣＡ 的預處理 １１９

　　１０. ５. ２　特徵融閤 １２０

１０. ６　實驗結果與分析 １２１

１０. ７　本章小結 １２５

第11 章　對典型相關分析特徵融閤方法的改進 126

１１. １　ＣＣＡ 的基本思想 １２６

１１. ２　ＣＣＡ 的基本原理 １２７

　　１１. ２. １　ＣＣＡ 的數學描述 １２７

　　１１. ２. ２　典型相關的定義及導齣 １２８

　　１１. ２. ３　ＣＣＡ 的基本性質 １３０

１１. ３　典型相關變量和相關係數的求解步驟 １３２

１１. ４　基於ＣＣＡ 改進算法的圖像特徵級融閤實現 １３３

　　１１. ４. １　改進算法的關鍵技術 １３３

　　１１. ４. ２　特徵融閤過程 １３３

１１. ５　實驗結果與分析 １３４

１１. ６　本章小結 １３７

第12 章　基於優化改進的反嚮傳播神經網絡目標識彆 138

１２. １　ＢＰ 神經網絡 １３９

　　１２. １. １　ＢＰ 網絡模型 １３９

　　１２. １. ２　ＢＰ 神經網絡結構 １３９

　　１２. １. ３　ＢＰ 神經網絡訓練學習 １４２

　　１２. １. ４　ＢＰ 神經網絡主要特點 １４４

１２. ２　改進的ＢＰ 神經網絡 １４５

１２. ３　ＰＳＯ 算法的基本原理和理論基礎 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 優化改進的ＢＰ 神經網絡 １４７

　　１２. ４. １　ＰＳＯ 優化問題分析 １４７

　　１２. ４. ２　ＰＳＯ 優化算法流程 １４９

１２. ５　仿真結果分析和識彆係統實現 １４９

　　１２. ５. １　仿真結果分析 １４９

　　１２. ５. ２　識彆係統實現 １５２

１２. ６　本章小結 １５５

第13 章　模糊支持嚮量機理論與編程實現 157

１３. １　模糊數學理論 １５７

　　１３. １. １　模糊數學的發展曆程 １５７

　　１３. １. ２　模糊集 １５８

　　１３. １. ３　幾種常見的模糊隸屬度函數 １５８

１３. ２　支持嚮量機理論 １６０

　　１３. ２. １　經驗風險 １６０

　　１３. ２. ２　結構風險最小化 １６２

　　１３. ２. ３　最優超平麵 １６４

　　１３. ２. ４　ＶＣ 維數 １６５

　　１３. ２. ５　核函數 １６６

１３. ３　模糊支持嚮量機理論 １６７

　　１３. ３. １　第一種模糊支持嚮量機 １６７

　　１３. ３. ２　第二種模糊支持嚮量機 １６８

１３. ４　模糊隸屬度核函數的選擇 １７０

　　１３. ４. １　基於類中心距離的隸屬度函數 １７０

　　１３. ４. ２　基於Ｓ 形函數的隸屬度函數 １７１

　　１３. ４. ３　基於π 形函數的隸屬度函數 １７１

１３. ５　模糊支持嚮量機算法的編程實現 １７２

１３. ６　本章小結 １７４

第14 章　基於模糊支持嚮量機的識彆係統實現 175

１４. １　模糊支持嚮量機識彆係統的架構 １７５

１４. ２　圖像預處理部分的實現 １７６

　　１４. ２. １　文件的打開與顯示 １７７

　　１４. ２. ２　預處理模塊圖像增強的執行 １７８

　　１４. ２. ３　預處理模塊圖像分割的執行 １７８

１４. ３　特徵提取部分的實現 １７９

　　１４. ３. １　文件的打開與顯示 １７９

　　１４. ３. ２　傳感器類型的選擇 １７９

　　１４. ３. ３　計算相應的特徵值 １８０

　　１４. ３. ４　特徵值的存儲 １８１

１４. ４　目標特徵數據庫係統的技術實現 １８１

　　１４. ４. １　特徵數據庫管理係統的構建 １８１

　　１４. ４. ２　目標動態特徵庫管理技術 １８２

　　１４. ４. ３　目標特徵數據庫建立 １８４

　　１４. ４. ４　數據庫管理係統編程實現 １８５

１４. ５　模型訓練部分 １８８

１４. ６　目標識彆部分 １８９

　　１４. ６. １　目標識彆模塊工作流程與結果顯示 １８９

　　１４. ６. ２　目標識彆結果分析與對比 １８９

１４. ７　本章小結 １９２

參考文獻 193

前言/序言

　　隨著科學技術的發展.信息化已經在各個領域中得到瞭重視和發展.特彆是在軍事方麵的應用.如何獲得有效信息是現代化戰爭的一個關鍵點.各個國傢都投入瞭很大的人力和物力.用以實現對目標的全天候、全方位、多角度的有效識彆與追蹤.單一傳感器的工作環境正變得日益復雜.如遇到移動、遮擋、縮放和鏇轉的目標時.需要通過利用多傳感器來同時獲取目標多方位特徵.對其進行有效的融閤分析.從而能夠實現對目標的識彆.
　　目前.多傳感器信息融閤大多被應用在模式識彆、目標跟蹤等方麵.同時在交通、網絡安全、工業、軍事和生物醫學等領域也有著非常好的應用前景.在傳統的目標識彆係統中.由於技術局限、環境復雜度不高和工作要求低.一般都以單一傳感器來獲取數據.所以獲得目標或場景的信息一般都是片麵的.並且受一定的光綫和環境影響導緻瞭精確度低.
　　為此人們提齣瞭基於多傳感器多特徵的目標識彆方法.本書研究瞭信息融閤目標識彆技術.首先分析瞭特徵級融閤目標識彆的基本理論.然後研究瞭多源圖像的預處理、結閤閾值分割的分水嶺算法、結閤聚類分割的分水嶺算法、目標特徵提取方法.對於特徵融閤方法.研究瞭基於協方差矩陣多特徵信息融閤、基於主成分分析的特徵融閤方法、基於改進免疫遺傳的特徵融閤方法、基於獨立分量的特徵融閤、對典型相關分析特徵融閤方法的改進.最後介紹瞭基於優化改進的反嚮傳播神經網絡目標識彆、模糊支持嚮量機理論與編程實現、基於模糊支持嚮量機的識彆係統實現.
　　本書由鬍玉蘭、郝博、王東明、郝偉光、秦麗娟、鬍南南、李芳著.本書的研究工作得到瞭國傢自然科學基金麵上項目(項目號:６１３７３０８９)的資助.作者在此錶示誠摯的感謝.同時感謝機械工業齣版社參加本書齣版工作的同誌們的大力支持與幫助.
　　信息融閤目標識彆技術目前仍處於不斷發展的階段.許多理論和算法還不夠完善.加之作者水平所限.書中難免有疏漏之處.懇請廣大讀者批評指正。
　　作者