中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
基于粒計算模型的圖像處理 版權信息
- ISBN：9787115516954
- 條形碼：9787115516954 ; 978-7-115-51695-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
基于粒計算模型的圖像處理 本書特色
從哲學角度講，粒計算是一種人類看待客觀世界的方法論；從科學研究角度講，粒計算是一種模擬人類解決復雜問題的理論方法，是人工智能研究領域的一個分支。本書以詞計算模型、粗糙集模型、商空間理論模型的基本理論為起點，對一種新的粒計算模型理論及方法進行討論，進一步解釋；土Ｓ嬎。內容涉及模型建立的理論框架、有關模型定理的闡述和證明，以及粒計算模型在完備和不完備信息系統的知識發現、聚類、圖像分割、鏡頭邊界檢測、關鍵幀提取、人臉檢測、人眼檢測、面部表情識別等相關領域的應用。 本書可供計算機及相關專業的研究人員、教師、研究生、高年級本科生閱讀，也可供相關領域科研人員閱讀參考。
基于粒計算模型的圖像處理 內容簡介
從哲學角度講，粒計算是一種人類看待客觀世界的方法論；從科學研究角度講，粒計算是一種模擬人類解決復雜問題的理論方法，是人工智能研究領域的一個分支。本書以詞計算模型、粗糙集模型、商空間理論模型的基本理論為起點，對一種新的粒計算模型理論及方法進行討論，進一步解釋粒化和粒計算。內容涉及模型建立的理論框架、有關模型定理的闡述和證明，以及粒計算模型在完備和不完備信息系統的知識發現、聚類、圖像分割、鏡頭邊界檢測、關鍵幀提取、人臉檢測、人眼檢測、面部表情識別等相關領域的應用。 本書可供計算機及相關專業的研究人員、教師、研究生、高年級本科生閱讀，也可供相關領域科研人員閱讀參考。
基于粒計算模型的圖像處理 目錄
第 1章 緒論 1
1.1 引言 1
1.2 粒計算的起源 2
1.3 粒計算的3個主要模型及其關系 3
1.3.1 詞計算模型 3
1.3.2 粗糙集模型 4
1.3.3 商空間理論模型 5
1.3.4 從粒計算分析三者之間的關系 5
1.4 粒計算的基本問題 6
1.4.1 粒的構造和使用粒的計算 7
1.4.2 ！7
1.4.3 ；7
1.4.4 粒層 8
1.4.5 所有粒層構成的結構 8
1.4.6 以粒為運算對象的運算和推理 9
1.5 粒計算模型研究現狀及與其他智能理論的關系 9
1.5.1 粒計算模型研究現狀 9
1.5.2 粒計算模型與其他智能理論的關系 10
1.5.3 粒計算模型與其他應用研究的結合 12
1.6 主要創新 13
第 2章 粒度格矩陣空間模型 15
2.1 引言 15
2.2 粒度劃分格 15
2.2.1 格論基礎 15
2.2.2 劃分和劃分布爾格的粒度化 16
2.2.3 信息的粒度劃分格與概念遞階 17
2.3 粒度格矩陣空間模型的提出 19
2.3.1 問題的提出 19
2.3.2 粒度格矩陣空間模型 20
2.4 粒度矩陣和粒度格矩陣 24
2.4.1 二進制空間下的粒度格矩陣 24
2.4.2 模糊空間下的粒度矩陣 32
2.5 小結 39
第3章 基于粒度格矩陣空間的信息系統知識發現 41
3.1 引言 41
3.2 約簡算法及分析 41
3.3 基于粒度格矩陣空間的完備信息系統知識發現 42
3.3.1 基于粒度格矩陣空間的知識約簡理論 43
3.3.2 基于粒度格矩陣空間的知識約簡算法 45
3.3.3 基于粒度格矩陣空間的規則提取 49
3.4 基于粒度格矩陣空間的不完備信息系統知識發現 53
3.4.1 不完備信息系統 53
3.4.2 不完備信息系統的；臻g 54
3.4.3 基于粒度格矩陣空間的不完備信息系統屬性約簡 56
3.4.4 算例 57
3.5 小結 60
第4章 基于粒度格矩陣空間的動態聚類 61
4.1 引言 61
4.2 統一粒度下的聚類算法及分析 62
4.2.1 聚類算法 62
4.2.2 統一粒度聚類算法的缺陷 63
4.3 粒度格矩陣空間下的聚類 65
4.3.1 聚類中的動態粒度分析 65
4.3.2 動態粒度的確定 66
4.3.3 粒度格矩陣空間下的聚類協調性 67
4.4 基于粒度格矩陣空間的動態聚類算法 69
4.4.1 動態聚類的一般算法 69
4.4.2 基于粒度格矩陣空間的動態聚類算法 70
4.5 實驗及分析 75
4.6 小結 77
第5章 基于粒度格矩陣空間的圖像分割及顯著性提取 78
5.1 引言 78
5.2 粒計算在圖像分割中的應用 79
5.2.1 圖像分割算法及分析 79
5.2.2 粗糙集在圖像處理中的主要應用 81
5.2.3 模糊集在圖像處理中的主要應用 81
5.2.4 商空間在圖像處理中的主要應用 82
5.2.5 粒計算在圖像處理中的研究方向 82
5.3 基于模糊C-均值的圖像分割算法 83
5.3.1 算法描述 83
5.3.2 算法缺陷 83
5.4 基于粒度格矩陣空間的圖像分割 84
5.4.1 圖像分割方法中的粒度原理 84
5.4.2 粒度格矩陣空間下的圖像分割 85
5.4.3 單元粒度層的圖像分割 86
5.4.4 單元粒度層圖像分割的合成 89
5.4.5 實驗及分析 90
5.5 基于？臻g融合的多特征顯著區域檢測 94
5.5.1 矩形粒特征提取 95
5.5.2 球形粒特征提取 97
5.5.3 粒融合 98
5.5.4 實驗及分析 100
5.6 小結 101
第6章 基于多粒特征融合的視頻鏡頭邊界檢測 102
6.1 引言 102
6.2 基于內容的視頻檢索 104
6.2.1 基于內容的視頻檢索結構框架 104
6.2.2 基于內容的視頻檢索關鍵技術 105
6.3 特征提取與匹配 106
6.3.1 特征提取 106
6.3.2 特征匹配 111
6.4 鏡頭邊界檢測 113
6.4.1 鏡頭變換 113
6.4.2 鏡頭突變檢測 114
6.4.3 鏡頭漸變檢測 117
6.5 基于多粒度特征融合的雙閾值鏡頭檢測算法 119
6.5.1 算法描述 120
6.5.2 實驗與分析 122
6.6 小結 123
第7章 基于粒度熵的關鍵幀提取 124
7.1 引言 124
7.2 常見的關鍵幀提取算法 124
7.3 基于粒度熵的關鍵幀提取算法 126
7.3.1 基于粒度熵的特征提取 127
7.3.2 基于SUSAN算子的幀粒邊緣匹配 128
7.3.3 實驗與分析 130
7.4 基于DCT與NCIE的關鍵幀多級提取算法 134
7.4.1 基于DCT的快速特征提取 135
7.4.2 基于NCIE度量的視頻關鍵幀提取 137
7.4.3 實驗與分析 141
7.5 小結 145
第8章 基于粗糙粒的人臉檢測 146
8.1 引言 146
8.2 傳統人臉檢測算法及分析 146
8.2.1 基于知識的方法 147
8.2.2 基于學習的方法 148
8.3 Adaboost人臉檢測算法 149
8.3.1 Adaboost算法原理 150
8.3.2 實驗及分析 158
8.3.3 基于Adaboost人臉檢測算法的缺陷 159
8.4 Adaboost算法多階段優化 160
8.4.1 訓練樣本擴充 160
8.4.2 特征數量縮減 161
8.4.3 樣本權重限制 163
8.4.4 自判斷機制 165
8.4.5 實驗及分析 167
8.5 基于粗糙粒的Adaboost人臉檢測算法 172
8.5.1 粗糙粒定義 172
8.5.2 基于粗糙粒的膚色過濾 173
8.5.3 基于粗糙粒的邊緣蒙版 175
8.5.4 實驗及分析 177
8.6 小結 178
第9章 基于視頻序列的人眼檢測與跟蹤 180
9.1 引言 180
9.1.1 人眼檢測 180
9.1.2 人眼跟蹤 181
9.2 基于改進Adaboost算法的人眼檢測 181
9.2.1 改進的Adaboost算法 182
9.2.2 三層結構人眼檢測 183
9.2.3 實驗與分析 184
9.3 基于Kalman濾波器和改進CamShift算法的人眼跟蹤 187
9.3.1 CamShift算法 187
9.3.2 Kalman濾波器 190
9.3.3 改進CamShift算法 191
9.3.4 基于Kalman和改進CamShift算法的人眼跟蹤 192
9.3.5 實驗與分析 193
9.4 人眼檢測與跟蹤在疲勞檢測中的應用 196
9.4.1 人眼狀態分析 196
9.4.2 人眼疲勞檢測 200
9.4.3 實驗與分析 202
9.5 小結 204
第 10章 融合雙韋伯特征深度置信網絡表情識別 205
10.1 引言 205
10.2 表情識別系統及相關理論 206
10.2.1 表情數據庫 206
10.2.2 表情圖片預處理 207
10.2.3 表情特征提取 212
10.2.4 表情分類 214
10.3 韋伯局部描述算子的改進及應用 215
10.3.1 韋伯局部描述算子基本原理 215
10.3.2 WLD特征的直方圖統計 217
10.3.3 改進韋伯特征 218
10.3.4 實驗及分析 220
10.4 融合改進韋伯特征的深度置信網絡的表情識別 222
10.4.1 深度置信網絡 222
10.4.2 基于深度置信網絡的表情識別 225
10.4.3 融合雙韋伯特征的深度置信網絡表情識別算法 226
10.4.4 實驗及分析 228
10.5 小結 231
第 11章 結論與展望 232
11.1 本書的主要貢獻 232
11.2 下一步研究工作 233
參考文獻 234
1.1 引言 1
1.2 粒計算的起源 2
1.3 粒計算的3個主要模型及其關系 3
1.3.1 詞計算模型 3
1.3.2 粗糙集模型 4
1.3.3 商空間理論模型 5
1.3.4 從粒計算分析三者之間的關系 5
1.4 粒計算的基本問題 6
1.4.1 粒的構造和使用粒的計算 7
1.4.2 ！7
1.4.3 ；7
1.4.4 粒層 8
1.4.5 所有粒層構成的結構 8
1.4.6 以粒為運算對象的運算和推理 9
1.5 粒計算模型研究現狀及與其他智能理論的關系 9
1.5.1 粒計算模型研究現狀 9
1.5.2 粒計算模型與其他智能理論的關系 10
1.5.3 粒計算模型與其他應用研究的結合 12
1.6 主要創新 13
第 2章 粒度格矩陣空間模型 15
2.1 引言 15
2.2 粒度劃分格 15
2.2.1 格論基礎 15
2.2.2 劃分和劃分布爾格的粒度化 16
2.2.3 信息的粒度劃分格與概念遞階 17
2.3 粒度格矩陣空間模型的提出 19
2.3.1 問題的提出 19
2.3.2 粒度格矩陣空間模型 20
2.4 粒度矩陣和粒度格矩陣 24
2.4.1 二進制空間下的粒度格矩陣 24
2.4.2 模糊空間下的粒度矩陣 32
2.5 小結 39
第3章 基于粒度格矩陣空間的信息系統知識發現 41
3.1 引言 41
3.2 約簡算法及分析 41
3.3 基于粒度格矩陣空間的完備信息系統知識發現 42
3.3.1 基于粒度格矩陣空間的知識約簡理論 43
3.3.2 基于粒度格矩陣空間的知識約簡算法 45
3.3.3 基于粒度格矩陣空間的規則提取 49
3.4 基于粒度格矩陣空間的不完備信息系統知識發現 53
3.4.1 不完備信息系統 53
3.4.2 不完備信息系統的；臻g 54
3.4.3 基于粒度格矩陣空間的不完備信息系統屬性約簡 56
3.4.4 算例 57
3.5 小結 60
第4章 基于粒度格矩陣空間的動態聚類 61
4.1 引言 61
4.2 統一粒度下的聚類算法及分析 62
4.2.1 聚類算法 62
4.2.2 統一粒度聚類算法的缺陷 63
4.3 粒度格矩陣空間下的聚類 65
4.3.1 聚類中的動態粒度分析 65
4.3.2 動態粒度的確定 66
4.3.3 粒度格矩陣空間下的聚類協調性 67
4.4 基于粒度格矩陣空間的動態聚類算法 69
4.4.1 動態聚類的一般算法 69
4.4.2 基于粒度格矩陣空間的動態聚類算法 70
4.5 實驗及分析 75
4.6 小結 77
第5章 基于粒度格矩陣空間的圖像分割及顯著性提取 78
5.1 引言 78
5.2 粒計算在圖像分割中的應用 79
5.2.1 圖像分割算法及分析 79
5.2.2 粗糙集在圖像處理中的主要應用 81
5.2.3 模糊集在圖像處理中的主要應用 81
5.2.4 商空間在圖像處理中的主要應用 82
5.2.5 粒計算在圖像處理中的研究方向 82
5.3 基于模糊C-均值的圖像分割算法 83
5.3.1 算法描述 83
5.3.2 算法缺陷 83
5.4 基于粒度格矩陣空間的圖像分割 84
5.4.1 圖像分割方法中的粒度原理 84
5.4.2 粒度格矩陣空間下的圖像分割 85
5.4.3 單元粒度層的圖像分割 86
5.4.4 單元粒度層圖像分割的合成 89
5.4.5 實驗及分析 90
5.5 基于？臻g融合的多特征顯著區域檢測 94
5.5.1 矩形粒特征提取 95
5.5.2 球形粒特征提取 97
5.5.3 粒融合 98
5.5.4 實驗及分析 100
5.6 小結 101
第6章 基于多粒特征融合的視頻鏡頭邊界檢測 102
6.1 引言 102
6.2 基于內容的視頻檢索 104
6.2.1 基于內容的視頻檢索結構框架 104
6.2.2 基于內容的視頻檢索關鍵技術 105
6.3 特征提取與匹配 106
6.3.1 特征提取 106
6.3.2 特征匹配 111
6.4 鏡頭邊界檢測 113
6.4.1 鏡頭變換 113
6.4.2 鏡頭突變檢測 114
6.4.3 鏡頭漸變檢測 117
6.5 基于多粒度特征融合的雙閾值鏡頭檢測算法 119
6.5.1 算法描述 120
6.5.2 實驗與分析 122
6.6 小結 123
第7章 基于粒度熵的關鍵幀提取 124
7.1 引言 124
7.2 常見的關鍵幀提取算法 124
7.3 基于粒度熵的關鍵幀提取算法 126
7.3.1 基于粒度熵的特征提取 127
7.3.2 基于SUSAN算子的幀粒邊緣匹配 128
7.3.3 實驗與分析 130
7.4 基于DCT與NCIE的關鍵幀多級提取算法 134
7.4.1 基于DCT的快速特征提取 135
7.4.2 基于NCIE度量的視頻關鍵幀提取 137
7.4.3 實驗與分析 141
7.5 小結 145
第8章 基于粗糙粒的人臉檢測 146
8.1 引言 146
8.2 傳統人臉檢測算法及分析 146
8.2.1 基于知識的方法 147
8.2.2 基于學習的方法 148
8.3 Adaboost人臉檢測算法 149
8.3.1 Adaboost算法原理 150
8.3.2 實驗及分析 158
8.3.3 基于Adaboost人臉檢測算法的缺陷 159
8.4 Adaboost算法多階段優化 160
8.4.1 訓練樣本擴充 160
8.4.2 特征數量縮減 161
8.4.3 樣本權重限制 163
8.4.4 自判斷機制 165
8.4.5 實驗及分析 167
8.5 基于粗糙粒的Adaboost人臉檢測算法 172
8.5.1 粗糙粒定義 172
8.5.2 基于粗糙粒的膚色過濾 173
8.5.3 基于粗糙粒的邊緣蒙版 175
8.5.4 實驗及分析 177
8.6 小結 178
第9章 基于視頻序列的人眼檢測與跟蹤 180
9.1 引言 180
9.1.1 人眼檢測 180
9.1.2 人眼跟蹤 181
9.2 基于改進Adaboost算法的人眼檢測 181
9.2.1 改進的Adaboost算法 182
9.2.2 三層結構人眼檢測 183
9.2.3 實驗與分析 184
9.3 基于Kalman濾波器和改進CamShift算法的人眼跟蹤 187
9.3.1 CamShift算法 187
9.3.2 Kalman濾波器 190
9.3.3 改進CamShift算法 191
9.3.4 基于Kalman和改進CamShift算法的人眼跟蹤 192
9.3.5 實驗與分析 193
9.4 人眼檢測與跟蹤在疲勞檢測中的應用 196
9.4.1 人眼狀態分析 196
9.4.2 人眼疲勞檢測 200
9.4.3 實驗與分析 202
9.5 小結 204
第 10章 融合雙韋伯特征深度置信網絡表情識別 205
10.1 引言 205
10.2 表情識別系統及相關理論 206
10.2.1 表情數據庫 206
10.2.2 表情圖片預處理 207
10.2.3 表情特征提取 212
10.2.4 表情分類 214
10.3 韋伯局部描述算子的改進及應用 215
10.3.1 韋伯局部描述算子基本原理 215
10.3.2 WLD特征的直方圖統計 217
10.3.3 改進韋伯特征 218
10.3.4 實驗及分析 220
10.4 融合改進韋伯特征的深度置信網絡的表情識別 222
10.4.1 深度置信網絡 222
10.4.2 基于深度置信網絡的表情識別 225
10.4.3 融合雙韋伯特征的深度置信網絡表情識別算法 226
10.4.4 實驗及分析 228
10.5 小結 231
第 11章 結論與展望 232
11.1 本書的主要貢獻 232
11.2 下一步研究工作 233
參考文獻 234
展開全部
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
羅曼·羅蘭讀書隨筆-精裝
- >
小考拉的故事-套裝共3冊
- >
唐代進士錄
- >
中國歷史的瞬間
- >
朝聞道
- >
伯納黛特,你要去哪(2021新版)
- >
我與地壇
本類暢銷
