智能信息融合与目标识别方法

《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。

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
8.1.2Hu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
10.1ICA的定义113
10.2随机变量的独立性概念114
10.3ICA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
10.5.1ICA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
11.1CCA的基本思想126
11.2CCA的基本原理127
11.2.1CCA的数学描述127
……

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、李芳著. 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