自然计算及其图像处理与分析应用

第1章 绪论
1．1 从人工智能到自然计算
1．2 自然计算概述
1．2．1 自然计算的基本概念
1．2．2 经典自然计算研究分支和主要应用领域
1．2．3 自然计算的最新发展和混合自然算法
1．3 图像处理和分析概述
1．3．1 图像处理的基本内容概述
1．3．2 图像分析的关键技术概述
1．3．3 自然计算在图像处理和分析中的应用研究现状
1．4 本书主要研究内容和结构

上篇
第2章 蚁群算法概述
2．1 蚁群觅食行为和蚁群觅食策略
2．1．1 蚁群觅食行为
2．1．2 自然优化——二元桥实验
2．2 蚁群算法的基本概念、过程和特征
2．2．1 蚁群算法的基本思想
2．2．2 蚂蚁系统一蚁群算法的原型
2．2．3 人工蚁群算法的实现过程
2．3 算法的收敛性
2．4 基本蚁群算法的改进及与其他算法融合
2．4．1 带精英策略的蚂蚁系统
2．4．2 蚁群系统及其他改进和融合算法
2．5 蚁群优化与其他算法的关系
2．6 二进制蚁群算法
2．6．1 基本二进制蚁群算法模型
2．6．2 二进制蚁群算法同解决TSP问题的ACO比较
2．7 蚁群算法展望
第3章 萤火虫算法概述
3．1 萤火虫算法的基本原理
3．2 萤火虫算法的数学描述
3．3 标准萤火虫算法优缺点
3．4 改进的萤火虫算法
3．4．1 分簇策略
3．4．2 莱维飞行
3．4．3 CBLFA实现
3．5 仿真测试比较
第4章 万有引力算法概述
4．1 万用引力算法基本原理
4．2 改进万有引力算法
4．2．1 混沌映射
4．2．2 莱维飞行
4．2．3 二进制编码形式
4．2．4 算法基本流程
4．3 算法性能测试
第5章 其他常用优化算法及函数优化性能测试
5．1 常用进化算法概述
5．1．1 遗传算法概述
5．1．2 差分进化算法概述
5．2 其他常用群集智能优化算法概述
5．2．1 人工蜂群算法概述
5．2．2 杜鹃搜索算法概述
5．2．3 蝙蝠算法概述
5．2．4 水波优化算法
5．2．5 烟花算法
5．3 部分算法的仿真测试比较及I生能分析
5．3．1 遗传算法仿真测试及性能分析
5．3．2 差分进化算法仿真测试及性能分析
5．3．3 粒子群算法仿真测试及性能分析
5．3．4 人工蜂群算法仿真测试及性能分析
5．3．5 杜鹃搜索算法仿真测试及性能分析
5．3．6 萤火虫算法仿真测试及性能分析
5．3．7 算法的性能比较

下篇
第6章 基于自然计算的图像增强
6．1 图像增强概述
6．2 基于蚁群优化算法的模糊图像增强方法
6．2．1 基本图像模糊增强算法
6．2．2 基于直方图特征的图像模糊增强算法
6．2．3 基于BACO的模糊参数自适应选取
6．2．4 图像自适应增强的试验与分析
6．3 基于ICS算法的非完全Beta函数图像增强方法
6．4 基于CBLFA归一化的非完全Beta函数增强图像方法
6．4．1 算法设计思路
6．4．2 算法设计实验结果与分析
6．5 基于BA改进的非完全Beta函数图像增强方法
6．5．1 蝙蝠算法用于归一化的非完全Beta函数参数自适应选取
6．5．2 仿真实验与结果分析
第7章 基于自然计算的图像聚类分割方法
7．1 C-Means算法概述
7．2 基于ACO聚类的图像分割方法
7．2．1 基于ACO聚类的图像分割方法模型
7．2．2 基于ACO聚类的图像分割方法模型实验结果与分析
7．3 Fuzzy C-Means算法概述
7．4 基于蝙蝠算法改进Fuzzy C-Means分割方法
7．4．1 基于蝙蝠算法改进Fuzzy C-Means分割方法基本思路
7．4．2 实验结果和分析
第8章 基于自然计算的单阈值图像分割方法
8．1 图像阈值化分割概述
8．1．1 常用单阈值图像分割方法
8．1．2 常用的二维直方图阈值分割方法
8．2 基于蚁群算法优化的图像一维阈值方法
8．2．1 基于蚁群算法优化的图像一维阈值化方法数学模型
8．2．2 基于蚁群算法优化的图像一维阈值化方法实验仿真和分析
8．3 基于ICS优化的最大模糊熵的单阈值分割法
8．3．1 最大模糊熵阈值法数学模型
8．3．2 基于ICS算法优化的最大模糊熵图像阈值分割方法
8．3．3 算法实验仿真与分析
8．4 基于二维直方图的阈值分割法
8．4．1 基于ICS改进的二维Fisher准则阈值分割法
8．4．2 基于ICS优化的二维最大Kapur熵阈值分割法
8．4．3 基于ICS优化的二维最小交叉熵阈值分割法
8．4．4 基于CBLFA优化的二维直方图的Otsu阈值分割方法
第9章 基于自然计算的多阈值图像分割方法
9．1 图像多阈值化分割概述
9．1．1 常用的基于一维直方图的多阈值图像分割算法
9．1．2 基于三维直方图的Otsu阈值分割方法
9．2 基于ICS和最大模糊熵的多阈值分割法
9．2．1 基于ICS优化最大模糊熵的多阈值步骤
9．2．2 基于ICS优化最大模糊熵的多阈值实验仿真与分析
9．3 基于FA优化的多维阈值分割法
9．3．1 基于FA优化Otsu的多阈值分割方法
9．3．2 基于FA优化的最小交叉熵多阈值图像分割方法
9．4 基于CBLFA优化Otsu的多阈值分割法
9．5 基于CBLFA优化三维直方图的Otsu阈值分割方法
第10章 基于自然计算的图像匹配和图像融合方法
10．1 图像匹配和图像融合概述
10．2 基于灰色关联分析和水波优化的快速图像配准方法
10．3 基于水波优化Contourlet变换的图像融合方法
10．3．1 Contourlet变换概述
10．3．2 传统的基于Contourlet变换的图像融合算法
10．3．3 提出优化的Contourlet变换的图像融合方法
第11章 基于自然计算的纹理特征抽取方法
11．1 图像纹理特征概述
11．2 基于“Tuned”模板图像纹理特征提取模型
11．3 基于BACO的“Tuned”模板的优化方法
11．3．1 基于BACO的“Tuned”模板的优化算法模型
11．3．2 实验与分析
11．4 产生“Tuned”模板的混沌粒子群算法
11．4．1 产生“Tuned”模板粒子群算法思路
11．4．2 产生“Tuned”模板的混沌粒子群算法
11．5 产生“Tuned”模板的改进杜鹃搜索算法
11．5．1 基于ICS算法的“Tuned”模板纹理特征抽取思路
11．5．2 实验仿真与分析
11．6 基于GSA的“Tuned”纹理模板优化和居民地识别
11．6．1 公共数据集纹理图像的实验
11．6．2 真实遥感图像分类实验
第12章 基于自然计算的图像特征选择方法
12．1 特征提取和选择概述
12．2 基于ACO特征选择方法
12．2．1 基于ACO特征选择方法模型构建
12．2．2 特征选择试验和分析
12．3 基于ICS的遥感图像特征选择
12．3．1 基于ICS算法的遥感图像特征选择基本思路
12．3．2 基于ICS算法的遥感图像特征选择实验仿真与分析
12．4 基于烟花算法的小波纹理特征选择
12．4．1 Gabor小波变换简介
12．4．2 烟花算法在特征选择中的应用
12．4．3 实验对比和分析
12．5 基于Relief算法和Gabor变换的纹理分类方法
12．5．1 相关理论概述
12．5．2 基于Relief算法的Gabor纹理特征提取方法
12．5．3 实验结果与分析
第13章 基于自然计算的图像分类器优化构建
13．1 图像分类算法概述
13．2 支持向量机分类器
13．2．1 支持向量机概述
13．2．2 支持向量机理论基础
13．3 基于ICS算法和支持向量机的遥感图像分类方法
13．3．1 支持向量机参数优化概述
13．3．2 基于ICS算法的SVM参数优化过程
13．3．3 实验仿真与分析
13．4 基于杂交水稻算法优化ELM的纹理图像分类方法
13．4．1 极限学习机概述
13．4．2 基于杂交水稻算法的极限学习机参数优化方法
13．4．3 实验结果和分析
参考文献