书籍详情
图像模式识别：VC++技术实现
作者：杨淑莹编著
出版社：清华大学出版社
出版时间：2005-07-01
ISBN：9787810824811
定价：¥36.00
购买这本书可以去
内容简介
本书介绍图像模式识别的各种算法及其编程实现步骤。全书共分为10章，内容包括：模式识别的基本概念，位图的基础知识，分类器设计，模板匹配分类器，基于概率统计的Bayes分类器，几何分类器，神经网络分类器，图像分割与特征提取，聚类分析，模糊聚类分析，遗传算法聚类分析。本书实用性强，选材新颖，包括了神经网络、模糊集理论、遗传算法等新技术，针对每一种模式识别技术，书中分为理论基础、实现步骤、编程代码三部分，所有算法都用VC++编程实现，程序结构简单，代码简洁，便于初学者很快掌握模式识别技术。本书可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人学、工业自动化、模式识别等学科本科生、研究生的教材或教学参考书，亦可供有关工程技术人员参考。
作者简介
暂缺《图像模式识别：VC++技术实现》作者简介
目录
第1章 模式识别的基本概念
1.1 模式识别的基本概念
1.2 图像识别
1.3 位图基础
1.3.1 数字图像的基本概念
1.3.2 BMP文件结构
1.3.3 Cdib类库的建立
小结
习题
第2章 分类器设计
2.1 特征空间优化设计问题
2.2 分类器设计准则
2.3 分类器设计基本方法
2.4 判别函数
2.5 分类器的选择
2.6 训练与学习
小结
习题
第3章 模板匹配分类器
3.1 特征类设计
3.2 待测样品特征提取
3.3 训练集特征库的建立
3.4 模板匹配分类法
小结
习题
第4章 基于概率统计的Bayes分类器
4.1 Bayes决策的基本概念
4.1.1 Bayes决策所讨论的问题
4.1.2 Bayes公式
4.2 基于最小错误率的Bayes决策
4.3 基于最小风险的Bayes决策
4.4 Bayes决策比较
4.5 基于二值数据的Bayes分类实现
4.6 基于最小错误率的Bayes分类实现
4.7 基于最小风险的Bayes分类实现
小结
习题
第5章 几何分类器
5.1 几何分类器的基本概念
5.2 线性判别函数
5.3 线性判别函数的实现
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE验证可分性
5.7 LMSE分类算法
5.8 Fisher分类
5.9 线性分类器实现分类的局限性
5.10 非线性判别函数
5.11 分段线性判别函数
5.12 势函数法
小结
习题
第6章 神经网络分类器
6.1 人工神经网络的基本原理
6.1.1 人工神经元
6.1.2 人工神经网络模型
6.1.3 神经网络的学习过程
6.1.4 人工神经网络在模式识别问题上的优势
6.2 BP网络设计
6.2.1 三层BP网络学习算法
6.2.2 BP网络设计需要考虑的问题
6.3 神经网络分类器设计
小结
习题
第7章 图像分割与特征提取
7.1 聚类简介
7.2 图像阈值分割
7.2.1 直方图门限造反阈值
7.2.2 半阈值选择分割
7.3 图像的标识及特征提取
7.4 图像的轮廓提取
7.5 图像的测量
7.5.1 二值图像的区域面积测量
7.5.2 二值图像的周长测量
小结
习题
第8章 聚类分析
8.1 聚类的设计
8.2 模式相似性测量
8.3 基于试探的未知类别聚类算法
8.3.1 最临近规则的试探法
8.3.2 最大最小距离算法
8.4 层次聚类算法
8.4.1 最短距离法
8.4.2 最长距离法
8.4.3 中间距离法
8.4.4 重心法
8.4.5 类平均距离法
8.5 动态聚类算法
8.5.1 K均值算法
8.5.2 迭代自组织的数据分析算法（ISODATA）
小结
习题
第9章 模糊聚类分析
9.1 模糊集的基本概念
9.2 模糊集运算
9.2.1 模糊子集运算
9.2.2 模糊集运算性质
9.3 模糊关系
9.4 模糊集在模式识别中的应用
9.5 模糊聚类分析
小结
习题
第10章 遗传算法聚类分析
10.1 遗传算法基本概念
10.2 遗传算法的构成要素
10.2.1 染色体的编码
10.2.2 适应度函数
10.2.3 遗传算子
10.3 控制参数的选择
10.4 基于遗传算法的聚类分析
小结
习题
附录A 几种主要矩阵运算的程序代码
参考文献
1.1 模式识别的基本概念
1.2 图像识别
1.3 位图基础
1.3.1 数字图像的基本概念
1.3.2 BMP文件结构
1.3.3 Cdib类库的建立
小结
习题
第2章 分类器设计
2.1 特征空间优化设计问题
2.2 分类器设计准则
2.3 分类器设计基本方法
2.4 判别函数
2.5 分类器的选择
2.6 训练与学习
小结
习题
第3章 模板匹配分类器
3.1 特征类设计
3.2 待测样品特征提取
3.3 训练集特征库的建立
3.4 模板匹配分类法
小结
习题
第4章 基于概率统计的Bayes分类器
4.1 Bayes决策的基本概念
4.1.1 Bayes决策所讨论的问题
4.1.2 Bayes公式
4.2 基于最小错误率的Bayes决策
4.3 基于最小风险的Bayes决策
4.4 Bayes决策比较
4.5 基于二值数据的Bayes分类实现
4.6 基于最小错误率的Bayes分类实现
4.7 基于最小风险的Bayes分类实现
小结
习题
第5章 几何分类器
5.1 几何分类器的基本概念
5.2 线性判别函数
5.3 线性判别函数的实现
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE验证可分性
5.7 LMSE分类算法
5.8 Fisher分类
5.9 线性分类器实现分类的局限性
5.10 非线性判别函数
5.11 分段线性判别函数
5.12 势函数法
小结
习题
第6章 神经网络分类器
6.1 人工神经网络的基本原理
6.1.1 人工神经元
6.1.2 人工神经网络模型
6.1.3 神经网络的学习过程
6.1.4 人工神经网络在模式识别问题上的优势
6.2 BP网络设计
6.2.1 三层BP网络学习算法
6.2.2 BP网络设计需要考虑的问题
6.3 神经网络分类器设计
小结
习题
第7章 图像分割与特征提取
7.1 聚类简介
7.2 图像阈值分割
7.2.1 直方图门限造反阈值
7.2.2 半阈值选择分割
7.3 图像的标识及特征提取
7.4 图像的轮廓提取
7.5 图像的测量
7.5.1 二值图像的区域面积测量
7.5.2 二值图像的周长测量
小结
习题
第8章 聚类分析
8.1 聚类的设计
8.2 模式相似性测量
8.3 基于试探的未知类别聚类算法
8.3.1 最临近规则的试探法
8.3.2 最大最小距离算法
8.4 层次聚类算法
8.4.1 最短距离法
8.4.2 最长距离法
8.4.3 中间距离法
8.4.4 重心法
8.4.5 类平均距离法
8.5 动态聚类算法
8.5.1 K均值算法
8.5.2 迭代自组织的数据分析算法（ISODATA）
小结
习题
第9章 模糊聚类分析
9.1 模糊集的基本概念
9.2 模糊集运算
9.2.1 模糊子集运算
9.2.2 模糊集运算性质
9.3 模糊关系
9.4 模糊集在模式识别中的应用
9.5 模糊聚类分析
小结
习题
第10章 遗传算法聚类分析
10.1 遗传算法基本概念
10.2 遗传算法的构成要素
10.2.1 染色体的编码
10.2.2 适应度函数
10.2.3 遗传算子
10.3 控制参数的选择
10.4 基于遗传算法的聚类分析
小结
习题
附录A 几种主要矩阵运算的程序代码
参考文献
猜您喜欢
