掃一掃
關注中圖網
官方微博
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
圖像分割的認知物理學方法 版權信息
- ISBN：9787517028734
- 條形碼：9787517028734 ; 978-7-5170-2873-4
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
圖像分割的認知物理學方法 內容簡介
《圖像分割的認知物理學方法》在深入研究認知物理學理論的基礎上，探索了圖像分割的粒度原理，建立了圖像分割的認知物理學粒計算框架，并在該框架下針對特定的圖像分割問題研究了若干可行有效的新方法。具體針對目前圖像分割方法中存在的不確定性、準則依賴、低維等問題，研究其內在關系，吸收人類視覺認知機理和相關物理學的*新研究成果，將圖像分割納入到認知科學的研究范疇，研究認知物理學的基本理論及其關鍵技術，采用認知物理學的方法探索“數據一信息一知識”的圖像認知過程，揭示人類視覺認知思維中的簡化歸納規律，利用數據場實現圖像粒化，利用數據場的類譜系圖和數據質點的自適應遷移模型實現圖像粒化的計算，利用云模型實現圖像不確定性粒化計算，*終闡明人類視覺認知機理，構建了圖像分割的認知物理學粒計算理論框架，針對具體應用問題研究出新的圖像分割方法，為圖像分割問題提供新的解決思路。同時，本書也為推動認知物理學的發展作出了持續的努力。 本書可供從事人工智能、計算機科學研究的學者，尤其是從事圖像處理、模式識別、計算機視覺的研究和開發人員閱讀、研究，同時，本書也可作為高等院校相關專業的研究生教學用書或參考教材。
圖像分割的認知物理學方法 目錄
第1章緒論
1.1研究目的與意義
1.2國內外研究現狀及發展動態
1.2.1認知物理學的研究現狀及發展動態
1.2.2粒計算的研究現狀及發展動態
1.2.3圖像分割的研究現狀及發展動態
1.2.4圖像分割質量評價的研究現狀及發展動態
1.3本書的主要關注點
第2章認知物理學的理論與方法
2.1認知物理學的內涵
2.2數據場
2.2.1數據場的勢函數形態
2.2.2數據場的可視化方法
2.2.3數據場的影響因子
2.2.4動態數據場
2.3云模型
2.3.1正向正態云發生器
2.3.2逆向正態云發生器
2.3.3云模型與二型模糊集合的比較
2.4基于數據場的可變粒度層次結構
2.5本章小結
第3章圖像分割的認知物理學框架
3.1圖像分割與粒計算
3.1.1粒計算模型及其基本問題
3.1.2圖像分割的粒計算原理
3.2基于認知物理學粒計算模型的圖像分割框架
3.2.1認知物理學支持下的圖像分割粒計算模型
3.2.2與傳統粒計算模型的關系
3.3利用數據場的圖像粒化
3.3.1圖像數據場
3.3.2圖像特征場
3.4利用可變粒度層次結構的圖像粒化計算
3.4.1圖像數據場的層次結構
3.4.2圖像特征場的層次演化
3.4.3圖像粒的層次轉換
3.5利用云模型的圖像不確定性粒化計算
3.5.1圖像數據場的不確定性分析
3.5.2圖像特征場的不確定性演化
3.6本章小結
第4章圖像分割的多層次粒計算方法
4.1圖像過渡區提取與分割方法
4.1.1圖像過渡區概述
4.1.2融合局部特征的圖像過渡區提取方法
4.1.3過渡區與圖像數據場
4.1.4IDfT方法描述與分析
4.1.5IDfT方法實驗結果與分析
4.2圖像同質區域分割方法
4.2.1同質區域與圖像數據場
4.2.2圖像同質吸引關系
4.2.3IDfH方法描述與分析
4.2.4IDfH方法與相關傳統方法的關系
4.2.5IDfH方法實驗結果與分析
4.3圖像不確定性分析的粗糙熵方法
4.3.1粗糙集圖像分析概述
4.3.2圖像不確定性表示的粗糙集方法
4.3.3自適應的粗糙粒度
4.3.4AREbIT方法描述與分析
4.3.5AREbIT方法實驗結果與分析
4.4圖像不確定性邊緣提取方法
4.4.1圖像邊緣提取概述
4.4.2邊緣與圖像數據場
4.4.3圖像邊緣的不確定性分析
4.4.4CDbE方法描述與分析
4.4.5CDbE方法實驗結果與分析
4.5本章小結
第5章圖像分割的多視角粒計算方法
5.1不確定性的圖像一維閾值分割方法
5.1.1多視角的圖像數據場
5.1.2圖像數據場在不同視角所反映的特征
5.1.3CDbT方法描述與分析
5.1.4CDbT方法實驗結果與分析
5.2快速的圖像二維閾值分割方法
5.2.1圖像二維閾值分割概述
5.2.2圖像二維特征場及其勢心
5.2.32DDF方法描述與分析
5.2.42DDF方法實驗結果與分析
5.3無顯式準則的圖像三維閾值分割方法
5.3.1圖像閾值分割的視覺特性
5.3.2圖像三維特征場
5.3.3圖像三維特征場的演化
5.3.43DDF方法描述與分析
5.3.53DDF方法的收斂性分析
5.3.63DDF方法實驗結果與分析
5.4無顯式準則的圖像高維分割方法
5.4.1圖像灰度與紋理特征的融合
5.4.2圖像高維特征場及其演化
5.4.3hDDF方法描述與分析
5.4.4hDDF方法實驗結果與分析
5.5本章小結
第6章利用認知物理學方法的圖像應用嘗試
6.1利用數據場的圖像特征提取嘗試
6.1.1稀疏二值圖像特征提取概述
6.1.2二值圖像數據場
6.1.3BDfF方法描述與分析
6.1.4BDfF方法時間復雜度及討論
6.1.5BDfF方法實驗結果與分析
6.2利用數據場的圖像分析框架
6.2.1圖像數據場變換
6.2.2IdfF圖像分析框架
6.2.3IdfF框架的參數設置策略
6.2.4IdfF算法分析與實驗設置
6.2.5IdfF框架實驗結果與分析
6.3利用云模型的圖像特征提取嘗試
6.3.1血細胞圖像特征提取概述
6.3.2血細胞圖像的云模型表示
6.3.3血細胞圖像特征提取
6.3.4CbBT方法描述
6.3.5CbBT方法時間復雜度分析
6.3.6CbBT方法實驗結果與分析
6.4利用云模型的圖像分析框架
6.4.1圖像不確定性表示
6.4.2CbRC方法描述與分析
6.4.3利用CbRC方法的改進統計閾值分割
6.4.4CbRC方法實驗結果與分析
6.5本章小結
第7章討論與研究展望
7.1圖像分割的認知物理學研究展望
7.2利用認知物理學的圖像應用研究展望
參考文獻
1.1研究目的與意義
1.2國內外研究現狀及發展動態
1.2.1認知物理學的研究現狀及發展動態
1.2.2粒計算的研究現狀及發展動態
1.2.3圖像分割的研究現狀及發展動態
1.2.4圖像分割質量評價的研究現狀及發展動態
1.3本書的主要關注點
第2章認知物理學的理論與方法
2.1認知物理學的內涵
2.2數據場
2.2.1數據場的勢函數形態
2.2.2數據場的可視化方法
2.2.3數據場的影響因子
2.2.4動態數據場
2.3云模型
2.3.1正向正態云發生器
2.3.2逆向正態云發生器
2.3.3云模型與二型模糊集合的比較
2.4基于數據場的可變粒度層次結構
2.5本章小結
第3章圖像分割的認知物理學框架
3.1圖像分割與粒計算
3.1.1粒計算模型及其基本問題
3.1.2圖像分割的粒計算原理
3.2基于認知物理學粒計算模型的圖像分割框架
3.2.1認知物理學支持下的圖像分割粒計算模型
3.2.2與傳統粒計算模型的關系
3.3利用數據場的圖像粒化
3.3.1圖像數據場
3.3.2圖像特征場
3.4利用可變粒度層次結構的圖像粒化計算
3.4.1圖像數據場的層次結構
3.4.2圖像特征場的層次演化
3.4.3圖像粒的層次轉換
3.5利用云模型的圖像不確定性粒化計算
3.5.1圖像數據場的不確定性分析
3.5.2圖像特征場的不確定性演化
3.6本章小結
第4章圖像分割的多層次粒計算方法
4.1圖像過渡區提取與分割方法
4.1.1圖像過渡區概述
4.1.2融合局部特征的圖像過渡區提取方法
4.1.3過渡區與圖像數據場
4.1.4IDfT方法描述與分析
4.1.5IDfT方法實驗結果與分析
4.2圖像同質區域分割方法
4.2.1同質區域與圖像數據場
4.2.2圖像同質吸引關系
4.2.3IDfH方法描述與分析
4.2.4IDfH方法與相關傳統方法的關系
4.2.5IDfH方法實驗結果與分析
4.3圖像不確定性分析的粗糙熵方法
4.3.1粗糙集圖像分析概述
4.3.2圖像不確定性表示的粗糙集方法
4.3.3自適應的粗糙粒度
4.3.4AREbIT方法描述與分析
4.3.5AREbIT方法實驗結果與分析
4.4圖像不確定性邊緣提取方法
4.4.1圖像邊緣提取概述
4.4.2邊緣與圖像數據場
4.4.3圖像邊緣的不確定性分析
4.4.4CDbE方法描述與分析
4.4.5CDbE方法實驗結果與分析
4.5本章小結
第5章圖像分割的多視角粒計算方法
5.1不確定性的圖像一維閾值分割方法
5.1.1多視角的圖像數據場
5.1.2圖像數據場在不同視角所反映的特征
5.1.3CDbT方法描述與分析
5.1.4CDbT方法實驗結果與分析
5.2快速的圖像二維閾值分割方法
5.2.1圖像二維閾值分割概述
5.2.2圖像二維特征場及其勢心
5.2.32DDF方法描述與分析
5.2.42DDF方法實驗結果與分析
5.3無顯式準則的圖像三維閾值分割方法
5.3.1圖像閾值分割的視覺特性
5.3.2圖像三維特征場
5.3.3圖像三維特征場的演化
5.3.43DDF方法描述與分析
5.3.53DDF方法的收斂性分析
5.3.63DDF方法實驗結果與分析
5.4無顯式準則的圖像高維分割方法
5.4.1圖像灰度與紋理特征的融合
5.4.2圖像高維特征場及其演化
5.4.3hDDF方法描述與分析
5.4.4hDDF方法實驗結果與分析
5.5本章小結
第6章利用認知物理學方法的圖像應用嘗試
6.1利用數據場的圖像特征提取嘗試
6.1.1稀疏二值圖像特征提取概述
6.1.2二值圖像數據場
6.1.3BDfF方法描述與分析
6.1.4BDfF方法時間復雜度及討論
6.1.5BDfF方法實驗結果與分析
6.2利用數據場的圖像分析框架
6.2.1圖像數據場變換
6.2.2IdfF圖像分析框架
6.2.3IdfF框架的參數設置策略
6.2.4IdfF算法分析與實驗設置
6.2.5IdfF框架實驗結果與分析
6.3利用云模型的圖像特征提取嘗試
6.3.1血細胞圖像特征提取概述
6.3.2血細胞圖像的云模型表示
6.3.3血細胞圖像特征提取
6.3.4CbBT方法描述
6.3.5CbBT方法時間復雜度分析
6.3.6CbBT方法實驗結果與分析
6.4利用云模型的圖像分析框架
6.4.1圖像不確定性表示
6.4.2CbRC方法描述與分析
6.4.3利用CbRC方法的改進統計閾值分割
6.4.4CbRC方法實驗結果與分析
6.5本章小結
第7章討論與研究展望
7.1圖像分割的認知物理學研究展望
7.2利用認知物理學的圖像應用研究展望
參考文獻
展開全部
圖像分割的認知物理學方法 節選
《圖像分割的認知物理學方法》： 第三，強調在圖像粒化的計算時利用云模型研究圖像粒的不確定性，發揮云模型的不確定性雙向認知轉換能力，可利用逆向云模型或者云變換完成圖像不確定性粒化分析。 （d）研究體系：認知物理學支持下的粒計算模型面向具體問題提出解決方案，但又并不是僅拘泥漂浮于應用層面，而是同時注重理論層面的深度，面向實際問題建立盡可能完備、可拓展的理論框架體系，這是因為認知物理學支持下的“數據—信息—知識”基本粒度原理廣泛適用于大多數問題的求解。針對圖像分割問題，在該理論體系下面向不同的需求可以直接延伸出更多的圖像分割方法。以利用數據場的圖像粒化為例，在圖像數據場中定義不同的質量、在圖像特征場中定義不同的維信息等可以完成符合特定需求的應用研究。當然，針對其他問題，該理論體系也有一定的擴展參考意義。以利用數據場的粒化為例，任意待求解問題數據樣本本身也包含原始采樣空間和特征空間，也可以在其采樣空間建立數據場、在其特征空間建立特征場，一旦粒化完成以后，后續過程（如利用層次結構的粒化計算和利用云模型的不確定性粒化計算等）就近似與問題本原無關，可以完全納入到《圖像分割的認知物理學方法》所建立的認知物理學支持下的粒計算理論體系。 3.3利用數據場的圖像粒化 粒化是將信息或數據分解成若干個簇的過程，《圖像分割的認知物理學方法》通過圖像粒場實現圖像粒的生成及其表達。圖像粒場包括圖像數據場、圖像特征場。需要指出的是，圖像粒場都涉及到圖像粒化的粒度層次問題，《圖像分割的認知物理學方法》通過數據場的*優化影響因子實現粒度的*優化選擇，在一般情況下采用文獻（14，33）提出的*小化勢熵方法，在某些特殊情況下，由于算法比較公平性的需要，實驗中也采用人工嘗試優選等方法，具體細節將結合后續章節的相關算法在其實驗部分展開詳細的分析。 3.3.1圖像數據場 圖像本身包含了豐富的可利用信息，像素在鄰域范圍內存在統計意義上的相互依賴規律，只有充分利用這種空間關聯關系才能有效地提高圖像分割的精度和準度。因此，一種科學可行的思路是將圖像以區域塊為單位進行粒化處理，每個圖像塊就對應了一個圖像粒。 ……
書友推薦
- >
煙與鏡
- >
山海經
- >
名家帶你讀魯迅:故事新編
- >
上帝之肋:男人的真實旅程
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
羅曼·羅蘭讀書隨筆-精裝
- >
經典常談
- >
自卑與超越
本類暢銷
