基于粒計算模型的圖像處理

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　粒　7
1．4．3　?；?
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(xiàn)狀及與其他智能理論的關系　9
1．5．1　粒計算模型研究現(xiàn)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(chuàng)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(tǒng)知識發(fā)現(xiàn)　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(tǒng)知識發(fā)現(xiàn)　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(guī)則提取　49
3．4　基于粒度格矩陣空間的不完備信息系統(tǒng)知識發(fā)現(xiàn)　53
3．4．1　不完備信息系統(tǒng)　53
3．4．2　不完備信息系統(tǒng)的粒化空間　54
3．4．3　基于粒度格矩陣空間的不完備信息系統(tǒng)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(tài)聚類　61
4．1　引言　61
4．2　統(tǒng)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(tǒng)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(tài)粒度分析　65
4．3．2　動態(tài)粒度的確定　66
4．3．3　粒度格矩陣空間下的聚類協(xié)調性　67
4．4　基于粒度格矩陣空間的動態(tài)聚類算法　69
4．4．1　動態(tài)聚類的一般算法　69
4．4．2　基于粒度格矩陣空間的動態(tài)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(qū)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(tǒng)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(yōu)化　160
8．4．1　訓練樣本擴充　160
8．4．2　特征數(shù)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(tài)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(wǎng)絡表情識別　205
10．1　引言　205
10．2　表情識別系統(tǒng)及相關理論　206
10．2．1　表情數(shù)據(jù)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(tǒng)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(wǎng)絡的表情識別　222
10．4．1　深度置信網(wǎng)絡　222
10．4．2　基于深度置信網(wǎng)絡的表情識別　225
10．4．3　融合雙韋伯特征的深度置信網(wǎng)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