目录

智能信息融合与目标识别方法

作者：胡玉兰等

前言
目录
第1章绪论
1.1 概述
1.2 研究现状
第2章特征级融合目标识别的基本理论
2.1 信息融合目标识别结构
2.2 特征级融合目标识别系统基本结构
2.3 特征级融合目标识别的关键问题分析
2.3.1 特征数据库
2.3.2 特征提取
2.3.3 特征融合
2.3.4 目标识别
2.4 本章小结
第3章多源图像的预处理
3.1 多源图像的去噪
3.1.1 噪声分析
3.1.2 常用的图像去噪方法
3.1.3 几种较新的去噪方法
3.2 多源图像的平滑
3.2.1 均值平滑法
3.2.2 邻域平均法
3.2.3 加权平均法
3.2.4 选择式掩模平滑法
3.3 多源图像的滤波
3.3.1 低通滤波
3.3.2 高通滤波
3.3.3 中值滤波
3.3.4 维纳滤波
3.4 本章小结
第4章结合阈值分割的分水岭算法
4.1 引言
4.2 图像阈值分割概述
4.3 常用的阈值分割方法
4.3.1 全局阈值法
4.3.2 局部阈值法
4.3.3 动态阈值法
4.4 改进的最大类间方差法
4.5 本章小结
第5章结合聚类分割的分水岭算法
5.1 图像聚类分割概述
5.2 常用的图像聚类分割算法
5.2.1 划分聚类算法
5.2.2 层次聚类算法
5.2.3 基于密度的聚类算法
5.2.4 基于模型的聚类算法
5.2.5 基于网格的聚类算法
5.3 改进的FCM聚类分割算法
5.4 本章小结
第6章目标特征提取方法
6.1 传统的特征提取方法
6.1.1 经典的特征提取方法
6.1.2 多项式不变矩
6.1.3 共生矩阵
6.2 红外和可见光图像特征提取和融合
6.2.1 多传感器特征提取
6.2.2 目标区域分割和检测
6.2.3 特征提取与融合
6.3 本章小结
第7章基于协方差矩阵多特征信息融合
7.1 图像特征提取
7.1.1 多传感器特征提取
7.1.2 灰度特征
7.1.3 空间信息特征
7.1.4 梯度信息特征
7.2 协方差矩阵的构造
7.2.1 协方差矩阵与协方差
7.2.2 协方差矩阵距离的度量
7.2.3 特征协方差
7.3 多特征信息融合
7.4 融合实验结果与分析
7.5 本章小结
第8章基于主成分分析的特征融合方法
8.1 特征提取
8.1.1 灰度共生矩阵
8.1.2 Hu不变矩
8.2 几何特征
8.3 主成分分析的定义
8.3.1 主成分分析的基本原理
8.3.2 数学模型
8.3.3 主成分的推导
8.4 基于主成分分析的图像特征级融合实现
8.4.1 目标特征的提取
8.4.2 特征融合
8.4.3 实验结果与分析
8.5 本章小结
第9章基于改进免疫遗传的特征融合方法
9.1 遗传算法基础理论
9.1.1 遗传算法概述
9.1.2 遗传算法流程
9.2 一般的免疫算法基础理论
9.2.1 免疫算法概述
9.2.2 免疫算法流程
9.2.3 一般的免疫遗传算法
9.3 基于改进免疫遗传的图像特征级融合实现
9.3.1 改进算法的关键技术
9.3.2 基于改进免疫遗传的特征融合原理
9.3.3 特征级融合实现
9.3.4 实验结果与分析
9.4 本章小结
第10章基于独立分量的特征融合
10.1 ICA的定义
10.2 随机变量的独立性概念
10.3 ICA独立性的度量
10.3.1 非高斯性
10.3.2 互信息
10.4 快速固定点ICA算法
10.5 基于ICA的图像特征级融合实现
10.5.1 ICA的预处理
10.5.2 特征融合
10.6 实验结果与分析
10.7 本章小结
第11章对典型相关分析特征融合方法的改进
11.1 CCA的基本思想
11.2 CCA的基本原理
11.2.1 CCA的数学描述
11.2.2 典型相关的定义及导出
11.2.3 CCA的基本性质
11.3 典型相关变量和相关系数的求解步骤
11.4 基于CCA改进算法的图像特征级融合实现
11.4.1 改进算法的关键技术
11.4.2 特征融合过程
11.5 实验结果与分析
11.6 本章小结
第12章基于优化改进的反向传播神经网络目标识别
12.1 BP神经网络
12.1.1 BP网络模型
12.1.2 BP神经网络结构
12.1.3 BP神经网络训练学习
12.1.4 BP神经网络主要特点
12.2 改进的BP神经网络
12.3 PSO算法的基本原理和理论基础
12.3.1 PSO算法的基本原理
12.3.2 PSO算法的基本流程
12.4 PSO优化改进的BP神经网络
12.4.1 PSO优化问题分析
12.4.2 PSO优化算法流程
12.5 仿真结果分析和识别系统实现
12.5.1 仿真结果分析
12.5.2 识别系统实现
12.6 本章小结
第13章模糊支持向量机理论与编程实现
13.1 模糊数学理论
13.1.1 模糊数学的发展历程
13.1.2 模糊集
13.1.3 几种常见的模糊隶属度函数
13.2 支持向量机理论
13.2.1 经验风险
13.2.2 结构风险最小化
13.2.3 最优超平面
13.2.4 VC维数
13.2.5 核函数
13.3 模糊支持向量机理论
13.3.1 第一种模糊支持向量机
13.3.2 第二种模糊支持向量机
13.4 模糊隶属度核函数的选择
13.4.1 基于类中心距离的隶属度函数
13.4.2 基于S形函数的隶属度函数
13.4.3 基于π形函数的隶属度函数
13.5 模糊支持向量机算法的编程实现
13.6 本章小结
第14章基于模糊支持向量机的识别系统实现
14.1 模糊支持向量机识别系统的架构
14.2 图像预处理部分的实现
14.2.1 文件的打开与显示
14.2.2 预处理模块图像增强的执行
14.2.3 预处理模块图像分割的执行
14.3 特征提取部分的实现
14.3.1 文件的打开与显示
14.3.2 传感器类型的选择
14.3.3 计算相应的特征值
14.3.4 特征值的存储
14.4 目标特征数据库系统的技术实现
14.4.1 特征数据库管理系统的构建
14.4.2 目标动态特征库管理技术
14.4.3 目标特征数据库建立
14.4.4 数据库管理系统编程实现
14.5 模型训练部分
14.6 目标识别部分
14.6.1 目标识别模块工作流程与结果显示
14.6.2 目标识别结果分析与对比
14.7 本章小结
参考文献

首页> 图书频道> 社科> 新闻与传播

11.2 CCA的基本原理

2025年09月26日

版权

11.2 CCA的基本原理