人工智能技術(shù)重要的落地分支之一，圖像識(shí)別和目標(biāo)識(shí)別已經(jīng)作為先頭兵開(kāi)啟了各式各樣的應(yīng)用之旅。

從基本的原理出發(fā)，對(duì)目標(biāo)識(shí)別和圖像識(shí)別技術(shù)進(jìn)行詳述，給出應(yīng)用實(shí)例。

對(duì)信息融合技術(shù)進(jìn)行了討論。

《智能信息融合與目標(biāo)識(shí)別方法》研究了信息融合目標(biāo)識(shí)別技術(shù)，首先分析了特征級(jí)融合目標(biāo)識(shí)別的基本理論，然后研究了多源圖像的預(yù)處理、結(jié)合閾值分割的分水嶺算法、結(jié)合聚類分割的分水嶺算法、目標(biāo)特征提取方法。對(duì)于特征融合方法，研究了基于協(xié)方差矩陣多特征信息融合、基于主成分分析的特征融合方法、基于改進(jìn)免疫遺傳的特征融合方法、基于獨(dú)立分量的特征融合、對(duì)典型相關(guān)分析特征融合方法的改進(jìn)。后介紹了基于優(yōu)化改進(jìn)的反向傳播神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別、模糊支持向量機(jī)理論與編程、基于模糊支持向量機(jī)的識(shí)別系統(tǒng)。

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(jí)融合目標(biāo)識(shí)別的基本理論  5

２. １　信息融合目標(biāo)識(shí)別結(jié)構(gòu)  ５

２. ２　特征級(jí)融合目標(biāo)識(shí)別系統(tǒng)基本結(jié)構(gòu)  ６

２. ３　特征級(jí)融合目標(biāo)識(shí)別的關(guān)鍵問(wèn)題分析  ８

　　２. ３. １　特征數(shù)據(jù)庫(kù)  ８

　?。? ３. ２　特征提取  ８

　　２. ３. ３　特征融合  ８

　?。? ３. ４　目標(biāo)識(shí)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

　?。? 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

　?。? ２. １　均值平滑法  ２０

　?。? ２. ２　鄰域平均法  ２０

　?。? ２. ３　加權(quán)平均法  ２１

　?。? ２. ４　選擇式掩模平滑法  ２１

３. ３　多源圖像的濾波  ２３

　?。? ３. １　低通濾波  ２３

　?。? ３. ２　高通濾波  ２４

　?。? ３. ３　中值濾波  ２６

　?。? 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

　?。? ３. １　全局閾值法  ３１

　?。? ３. ２　局部閾值法  ３６

　?。? ３. ３　動(dòng)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

　?。? ２. １　劃分聚類算法  ４６

　?。? ２. ２　層次聚類算法  ４７

　?。? ２. ３　基于密度的聚類算法  ４７

　?。? 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

　?。? １. １　經(jīng)典的特征提取方法  ５７

　?。? １. ２　多項(xiàng)式不變矩  ５９

　　６. １. ３　共生矩陣  ６７

６. ２　紅外和可見(jiàn)光圖像特征提取和融合  ７０

　?。? 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(cè)  ７１

　?。? 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

　?。? １. １　多傳感器特征提取  ７７

　?。? １. ２　灰度特征  ７８

　?。? １. ３　空間信息特征  ７８

　?。? １. ４　梯度信息特征  ７９

７. ２　協(xié)方差矩陣的構(gòu)造  ８０

　?。? ２. １　協(xié)方差矩陣與協(xié)方差  ８０

　?。? 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(shí)驗(yàn)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

　?。? 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

　?。? 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(jí)融合實(shí)現(xiàn)  ９６

　?。? ４. １　目標(biāo)特征的提取  ９６

　?。? ４. ２　特征融合  ９６

　?。? ４. ３　實(shí)驗(yàn)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

　?。? １. １　遺傳算法概述  １００

　?。? 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

　?。? 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(jí)融合實(shí)現(xiàn)  １０７

　?。? 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

　?。? ３. ３　特征級(jí)融合實(shí)現(xiàn)  １０８

　?。? ３. ４　實(shí)驗(yàn)結(jié)果與分析  １１１

９. ４　本章小結(jié)  １１２

第10 章　基于獨(dú)立分量的特征融合  113

１０. １?。桑茫?的定義  １１３

１０. ２　隨機(jī)變量的獨(dú)立性概念  １１４

１０. ３?。桑茫?獨(dú)立性的度量  １１５

　?。保? ３. １　非高斯性  １１５

　　１０. ３. ２　互信息  １１７

１０. ４　快速固定點(diǎn)ＩＣＡ 算法  １１７

１０. ５　基于ＩＣＡ 的圖像特征級(jí)融合實(shí)現(xiàn)  １１９

　?。保? ５. １　ＩＣＡ 的預(yù)處理  １１９

　?。保? ５. ２　特征融合  １２０

１０. ６　實(shí)驗(yàn)結(jié)果與分析  １２１

１０. ７　本章小結(jié)  １２５

第11 章　對(duì)典型相關(guān)分析特征融合方法的改進(jìn)  126

１１. １　ＣＣＡ 的基本思想  １２６

１１. ２?。茫茫?的基本原理  １２７

　　１１. ２. １?。茫茫?的數(shù)學(xué)描述  １２７

　　１１. ２. ２　典型相關(guān)的定義及導(dǎo)出  １２８

　?。保? ２. ３　ＣＣＡ 的基本性質(zhì)  １３０

１１. ３　典型相關(guān)變量和相關(guān)系數(shù)的求解步驟  １３２

１１. ４　基于ＣＣＡ 改進(jìn)算法的圖像特征級(jí)融合實(shí)現(xiàn)  １３３

　?。保? ４. １　改進(jìn)算法的關(guān)鍵技術(shù)  １３３

　?。保? ４. ２　特征融合過(guò)程  １３３

１１. ５　實(shí)驗(yàn)結(jié)果與分析  １３４

１１. ６　本章小結(jié)  １３７

第12 章　基于優(yōu)化改進(jìn)的反向傳播神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別  138

１２. １　ＢＰ 神經(jīng)網(wǎng)絡(luò)  １３９

　?。保? １. １?。拢?網(wǎng)絡(luò)模型  １３９

　?。保? １. ２?。拢?神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)  １３９

　　１２. １. ３?。拢?神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)  １４２

　　１２. １. ４?。拢?神經(jīng)網(wǎng)絡(luò)主要特點(diǎn)  １４４

１２. ２　改進(jìn)的ＢＰ 神經(jīng)網(wǎng)絡(luò)  １４５

１２. ３　ＰＳＯ 算法的基本原理和理論基礎(chǔ)  １４５

　?。保? ３. １　ＰＳＯ 算法的基本原理  １４５

　?。保? ３. ２?。校樱?算法的基本流程  １４７

１２. ４?。校樱?優(yōu)化改進(jìn)的ＢＰ 神經(jīng)網(wǎng)絡(luò)  １４７

　?。保? ４. １?。校樱?優(yōu)化問(wèn)題分析  １４７

　?。保? ４. ２?。校樱?優(yōu)化算法流程  １４９

１２. ５　仿真結(jié)果分析和識(shí)別系統(tǒng)實(shí)現(xiàn)  １４９

　　１２. ５. １　仿真結(jié)果分析  １４９

　?。保? ５. ２　識(shí)別系統(tǒng)實(shí)現(xiàn)  １５２

１２. ６　本章小結(jié)  １５５

第13 章　模糊支持向量機(jī)理論與編程實(shí)現(xiàn)  157

１３. １　模糊數(shù)學(xué)理論  １５７

　　１３. １. １　模糊數(shù)學(xué)的發(fā)展歷程  １５７

　?。保? １. ２　模糊集  １５８

　　１３. １. ３　幾種常見(jiàn)的模糊隸屬度函數(shù)  １５８

１３. ２　支持向量機(jī)理論  １６０

　?。保? ２. １　經(jīng)驗(yàn)風(fēng)險(xiǎn)  １６０

　　１３. ２. ２　結(jié)構(gòu)風(fēng)險(xiǎn)最小化  １６２

　?。保? ２. ３　最優(yōu)超平面  １６４

　?。保? ２. ４　ＶＣ 維數(shù)  １６５

　?。保? ２. ５　核函數(shù)  １６６

１３. ３　模糊支持向量機(jī)理論  １６７

　?。保? ３. １　第一種模糊支持向量機(jī)  １６７

　?。保? ３. ２　第二種模糊支持向量機(jī)  １６８

１３. ４　模糊隸屬度核函數(shù)的選擇  １７０

　　１３. ４. １　基于類中心距離的隸屬度函數(shù)  １７０

　?。保? ４. ２　基于Ｓ 形函數(shù)的隸屬度函數(shù)  １７１

　?。保? ４. ３　基于π 形函數(shù)的隸屬度函數(shù)  １７１

１３. ５　模糊支持向量機(jī)算法的編程實(shí)現(xiàn)  １７２

１３. ６　本章小結(jié)  １７４

第14 章　基于模糊支持向量機(jī)的識(shí)別系統(tǒng)實(shí)現(xiàn)  175

１４. １　模糊支持向量機(jī)識(shí)別系統(tǒng)的架構(gòu)  １７５

１４. ２　圖像預(yù)處理部分的實(shí)現(xiàn)  １７６

　?。保? ２. １　文件的打開(kāi)與顯示  １７７

　　１４. ２. ２　預(yù)處理模塊圖像增強(qiáng)的執(zhí)行  １７８

　?。保? ２. ３　預(yù)處理模塊圖像分割的執(zhí)行  １７８

１４. ３　特征提取部分的實(shí)現(xiàn)  １７９

　?。保? ３. １　文件的打開(kāi)與顯示  １７９

　　１４. ３. ２　傳感器類型的選擇  １７９

　?。保? ３. ３　計(jì)算相應(yīng)的特征值  １８０

　?。保? ３. ４　特征值的存儲(chǔ)  １８１

１４. ４　目標(biāo)特征數(shù)據(jù)庫(kù)系統(tǒng)的技術(shù)實(shí)現(xiàn)  １８１

　?。保? ４. １　特征數(shù)據(jù)庫(kù)管理系統(tǒng)的構(gòu)建  １８１

　?。保? ４. ２　目標(biāo)動(dòng)態(tài)特征庫(kù)管理技術(shù)  １８２

　?。保? ４. ３　目標(biāo)特征數(shù)據(jù)庫(kù)建立  １８４

　?。保? ４. ４　數(shù)據(jù)庫(kù)管理系統(tǒng)編程實(shí)現(xiàn)  １８５

１４. ５　模型訓(xùn)練部分  １８８

１４. ６　目標(biāo)識(shí)別部分  １８９

　?。保? ６. １　目標(biāo)識(shí)別模塊工作流程與結(jié)果顯示  １８９

　?。保? ６. ２　目標(biāo)識(shí)別結(jié)果分析與對(duì)比  １８９

１４. ７　本章小結(jié)  １９２

參考文獻(xiàn)  193