基于粒计算模型的图像处理

第 1章 绪论 1
1．1　引言　1
1．2　粒计算的起源　2
1．3　粒计算的3个主要模型及其关系　3
1．3．1　词计算模型　3
1．3．2　粗糙集模型　4
1．3．3　商空间理论模型　5
1．3．4　从粒计算分析三者之间的关系　5
1．4　粒计算的基本问题　6
1．4．1　粒的构造和使用粒的计算　7
1．4．2　粒　7
1．4．3　粒化　7
1．4．4　粒层　8
1．4．5　所有粒层构成的结构　8
1．4．6　以粒为运算对象的运算和推理　9
1．5　粒计算模型研究现状及与其他智能理论的关系　9
1．5．1　粒计算模型研究现状　9
1．5．2　粒计算模型与其他智能理论的关系　10
1．5．3　粒计算模型与其他应用研究的结合　12
1．6　主要创新　13
第　2章 粒度格矩阵空间模型　15
2．1　引言　15
2．2　粒度划分格　15
2．2．1　格论基础　15
2．2．2　划分和划分布尔格的粒度化　16
2．2．3　信息的粒度划分格与概念递阶　17
2．3　粒度格矩阵空间模型的提出　19
2．3．1　问题的提出　19
2．3．2　粒度格矩阵空间模型　20
2．4　粒度矩阵和粒度格矩阵　24
2．4．1　二进制空间下的粒度格矩阵　24
2．4．2　模糊空间下的粒度矩阵　32
2．5　小结　39
第3章　基于粒度格矩阵空间的信息系统知识发现　41
3．1　引言　41
3．2　约简算法及分析　41
3．3　基于粒度格矩阵空间的完备信息系统知识发现　42
3．3．1　基于粒度格矩阵空间的知识约简理论　43
3．3．2　基于粒度格矩阵空间的知识约简算法　45
3．3．3　基于粒度格矩阵空间的规则提取　49
3．4　基于粒度格矩阵空间的不完备信息系统知识发现　53
3．4．1　不完备信息系统　53
3．4．2　不完备信息系统的粒化空间　54
3．4．3　基于粒度格矩阵空间的不完备信息系统属性约简　56
3．4．4　算例　57
3．5　小结　60
第4章　基于粒度格矩阵空间的动态聚类　61
4．1　引言　61
4．2　统一粒度下的聚类算法及分析　62
4．2．1　聚类算法　62
4．2．2　统一粒度聚类算法的缺陷　63
4．3　粒度格矩阵空间下的聚类　65
4．3．1　聚类中的动态粒度分析　65
4．3．2　动态粒度的确定　66
4．3．3　粒度格矩阵空间下的聚类协调性　67
4．4　基于粒度格矩阵空间的动态聚类算法　69
4．4．1　动态聚类的一般算法　69
4．4．2　基于粒度格矩阵空间的动态聚类算法　70
4．5　实验及分析　75
4．6　小结　77
第5章　基于粒度格矩阵空间的图像分割及显著性提取　78
5．1　引言　78
5．2　粒计算在图像分割中的应用　79
5．2．1　图像分割算法及分析　79
5．2．2　粗糙集在图像处理中的主要应用　81
5．2．3　模糊集在图像处理中的主要应用　81
5．2．4　商空间在图像处理中的主要应用　82
5．2．5　粒计算在图像处理中的研究方向　82
5．3　基于模糊C-均值的图像分割算法　83
5．3．1　算法描述　83
5．3．2　算法缺陷　83
5．4　基于粒度格矩阵空间的图像分割　84
5．4．1　图像分割方法中的粒度原理　84
5．4．2　粒度格矩阵空间下的图像分割　85
5．4．3　单元粒度层的图像分割　86
5．4．4　单元粒度层图像分割的合成　89
5．4．5　实验及分析　90
5．5　基于粒空间融合的多特征显著区域检测　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　实验及分析　100
5．6　小结　101
第6章　基于多粒特征融合的视频镜头边界检测　102
6．1　引言　102
6．2　基于内容的视频检索　104
6．2．1　基于内容的视频检索结构框架　104
6．2．2　基于内容的视频检索关键技术　105
6．3　特征提取与匹配　106
6．3．1　特征提取　106
6．3．2　特征匹配　111
6．4　镜头边界检测　113
6．4．1　镜头变换　113
6．4．2　镜头突变检测　114
6．4．3　镜头渐变检测　117
6．5　基于多粒度特征融合的双阈值镜头检测算法　119
6．5．1　算法描述　120
6．5．2　实验与分析　122
6．6　小结　123
第7章　基于粒度熵的关键帧提取　124
7．1　引言　124
7．2　常见的关键帧提取算法　124
7．3　基于粒度熵的关键帧提取算法　126
7．3．1　基于粒度熵的特征提取　127
7．3．2　基于SUSAN算子的帧粒边缘匹配　128
7．3．3　实验与分析　130
7．4　基于DCT与NCIE的关键帧多级提取算法　134
7．4．1　基于DCT的快速特征提取　135
7．4．2　基于NCIE度量的视频关键帧提取　137
7．4．3　实验与分析　141
7．5　小结　145
第8章　基于粗糙粒的人脸检测　146
8．1　引言　146
8．2　传统人脸检测算法及分析　146
8．2．1　基于知识的方法　147
8．2．2　基于学习的方法　148
8．3　Adaboost人脸检测算法　149
8．3．1　Adaboost算法原理　150
8．3．2　实验及分析　158
8．3．3　基于Adaboost人脸检测算法的缺陷　159
8．4　Adaboost算法多阶段优化　160
8．4．1　训练样本扩充　160
8．4．2　特征数量缩减　161
8．4．3　样本权重限制　163
8．4．4　自判断机制　165
8．4．5　实验及分析　167
8．5　基于粗糙粒的Adaboost人脸检测算法　172
8．5．1　粗糙粒定义　172
8．5．2　基于粗糙粒的肤色过滤　173
8．5．3　基于粗糙粒的边缘蒙版　175
8．5．4　实验及分析　177
8．6　小结　178
第9章　基于视频序列的人眼检测与跟踪　180
9．1　引言　180
9．1．1　人眼检测　180
9．1．2　人眼跟踪　181
9．2　基于改进Adaboost算法的人眼检测　181
9．2．1　改进的Adaboost算法　182
9．2．2　三层结构人眼检测　183
9．2．3　实验与分析　184
9．3　基于Kalman滤波器和改进CamShift算法的人眼跟踪　187
9．3．1　CamShift算法　187
9．3．2　Kalman滤波器　190
9．3．3　改进CamShift算法　191
9．3．4　基于Kalman和改进CamShift算法的人眼跟踪　192
9．3．5　实验与分析　193
9．4　人眼检测与跟踪在疲劳检测中的应用　196
9．4．1　人眼状态分析　196
9．4．2　人眼疲劳检测　200
9．4．3　实验与分析　202
9．5　小结　204
第　10章 融合双韦伯特征深度置信网络表情识别　205
10．1　引言　205
10．2　表情识别系统及相关理论　206
10．2．1　表情数据库　206
10．2．2　表情图片预处理　207
10．2．3　表情特征提取　212
10．2．4　表情分类　214
10．3　韦伯局部描述算子的改进及应用　215
10．3．1　韦伯局部描述算子基本原理　215
10．3．2　WLD特征的直方图统计　217
10．3．3　改进韦伯特征　218
10．3．4　实验及分析　220
10．4　融合改进韦伯特征的深度置信网络的表情识别　222
10．4．1　深度置信网络　222
10．4．2　基于深度置信网络的表情识别　225
10．4．3　融合双韦伯特征的深度置信网络表情识别算法　226
10．4．4　实验及分析　228
10．5　小结　231
第　11章 结论与展望　232
11．1　本书的主要贡献　232
11．2　下一步研究工作　233
参考文献　234