掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
圖像處理與分割技術(shù)研究 版權(quán)信息
- ISBN：9787516661239
- 條形碼：9787516661239 ; 978-7-5166-6123-9
- 裝幀：簡裝本
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
圖像處理與分割技術(shù)研究 內(nèi)容簡介
本文針對基于概率密度有限混合模型分割過程中存在的若干關(guān)鍵問題，進(jìn)行定性研究與定量分析，且理論結(jié)合實際，介紹了多種新型魯棒的自然圖像分割方法，并*終將相關(guān)圖像分割結(jié)果輔助或指導(dǎo)場景分類、目標(biāo)檢測等高層圖像分析任務(wù)。
本書一共包含15個章節(jié)，主要包括圖像分割的背景、目的、意義，以及國內(nèi)外現(xiàn)狀；圖割模型優(yōu)化的基礎(chǔ)理論；圖像的配準(zhǔn)方法；圖像的融合方法；基于全□分流的邊界(TVFE)提取技術(shù)；改進(jìn)有限混合模型的圖像分割方法；圖像的去色方法；結(jié)合狄利克雷分布與均值模板的圖像分割方法；結(jié)合測地線活動輪廓與模糊C均值的圖像分割方法；基于非□部均值模板的圖像分割方法；基于空間約束概率模型優(yōu)化的圖像分割方法；基于多□量學(xué)生-t分布的多類圖像分割方法；深度學(xué)習(xí)的基本原理；圖像的場景分類方法；圖像的目標(biāo)檢測方法。
圖像處理與分割技術(shù)研究 目錄
第1章 緒論
1.1 研究的目的、背景及意義
1.2 圖像分割方法的研究狀況
1.3 基于圖論的圖像分割方法
1.4 基于有限混合模型的分割方法
第2章 圖割模型優(yōu)化的基礎(chǔ)理論
2.1 □□流／□□割理論
2.2 圖像的概率密度能量函數(shù)建模
2.3 圖割理論優(yōu)化目標(biāo)能量函數(shù)
2.4 本章小結(jié)
第3章 圖像的配準(zhǔn)方法
3.1 點特征的圖像配準(zhǔn)
3.2 SIFT特征點的選擇與配對
3.3 結(jié)合邊緣輪廓特征的圖像配準(zhǔn)方法
3.4 利用輪廓曲線的圖像配準(zhǔn)方法
3.5 基于遺傳算法的圖像配準(zhǔn)方法
第4章 圖像的融合方法
4.1 引言
4.2 非子采樣□換過程
4.3 基于Contourlet□換的圖像融合
4.4 改進(jìn)區(qū)域方差的圖像融合算法
4.5 結(jié)合邊緣信息與區(qū)域方差的圖像融合算法
第5章 基于全□分流的邊界(TVFE)提取技術(shù)
5.1 基于全□分流的邊界(TVFE)提取
5.2 TVFE的快速數(shù)值化計算
5.3 實驗驗證
5.4 本章小結(jié)
第6章 改進(jìn)有限混合模型的圖像分割方法
6.1 有限混合模型
6.2 結(jié)合馬爾科夫隨機場的有限混合模型
6.3 像素類別的先驗標(biāo)簽信息計算
6.4 本章小結(jié)
第7章 圖像的去色方法
7.1 引言
7.2 建立模型與求解
7.3 實驗對比與評估分析
7.4 本章小結(jié)
第8章 結(jié)合狄利克雷分布與均值模板的圖像分割方法
8.1 引言
8.2 狄利克雷分布模型建立
8.3 狄利克雷分布的參數(shù)計算
8.4 實驗對比與評估分析
8.5 本章小結(jié)
第9章 結(jié)合測地線活動輪廓與模糊c均值的圖像分割方法
9.1 引言
9.2 帶CAC的模糊C均值模型
9.3 模糊C均值參數(shù)學(xué)習(xí)
9.4 實驗對比與分析
9.5 本章小結(jié)
第10章 基于非□部均值模板的圖像分割方法
10.1 引言
10.2 空間約束的學(xué)生-t模型
10.3 空間約束的學(xué)生-t分布參數(shù)計算
10.4 實驗對比與分析
10.5 基于MRI醫(yī)學(xué)圖像的對比實驗
10.6 本章小結(jié)
第11章 基于空間約束概率模型優(yōu)化的圖像分割方法
11.1 空間約束混合模型
11.2 多□量混合學(xué)生-t分布與TVFE相結(jié)合的空間約束模型
11.3 實驗對比與分析
11.4 本章小結(jié)
第12章 基于多□量學(xué)生-t分布的多類圖像分割方法
12.1 基于多□量學(xué)生-t分布的□分模型圖像分割方法
12.2 基于多□量學(xué)生-t分布的彩色紋理圖像分割方法
12.3 本章小結(jié)
第13章 深度學(xué)習(xí)的基本原理
13.1 深度學(xué)習(xí)概述
13.2 深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
13.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
13.4 典型神經(jīng)網(wǎng)絡(luò)模型
13.5 強化學(xué)習(xí)
13.6 遷移學(xué)習(xí)
第14章 圖像的場景分類方法
14.1 基于條件隨機場的圖像場景分類方法
14.2 利用全□優(yōu)化策略的圖像場景分類
14.3 利用卷積流形網(wǎng)絡(luò)的圖像場景分類方法
14.4 改進(jìn)超圖學(xué)習(xí)的圖像場景分類方法
第15章 圖像的目標(biāo)檢測方法
15.1 圖像分層顯著性目標(biāo)提取方法
15.2 圖像的人造目標(biāo)檢測方法
15.3 圖像單類信息提取方法
15.4 特定類別的圖像分類方法
1.1 研究的目的、背景及意義
1.2 圖像分割方法的研究狀況
1.3 基于圖論的圖像分割方法
1.4 基于有限混合模型的分割方法
第2章 圖割模型優(yōu)化的基礎(chǔ)理論
2.1 □□流／□□割理論
2.2 圖像的概率密度能量函數(shù)建模
2.3 圖割理論優(yōu)化目標(biāo)能量函數(shù)
2.4 本章小結(jié)
第3章 圖像的配準(zhǔn)方法
3.1 點特征的圖像配準(zhǔn)
3.2 SIFT特征點的選擇與配對
3.3 結(jié)合邊緣輪廓特征的圖像配準(zhǔn)方法
3.4 利用輪廓曲線的圖像配準(zhǔn)方法
3.5 基于遺傳算法的圖像配準(zhǔn)方法
第4章 圖像的融合方法
4.1 引言
4.2 非子采樣□換過程
4.3 基于Contourlet□換的圖像融合
4.4 改進(jìn)區(qū)域方差的圖像融合算法
4.5 結(jié)合邊緣信息與區(qū)域方差的圖像融合算法
第5章 基于全□分流的邊界(TVFE)提取技術(shù)
5.1 基于全□分流的邊界(TVFE)提取
5.2 TVFE的快速數(shù)值化計算
5.3 實驗驗證
5.4 本章小結(jié)
第6章 改進(jìn)有限混合模型的圖像分割方法
6.1 有限混合模型
6.2 結(jié)合馬爾科夫隨機場的有限混合模型
6.3 像素類別的先驗標(biāo)簽信息計算
6.4 本章小結(jié)
第7章 圖像的去色方法
7.1 引言
7.2 建立模型與求解
7.3 實驗對比與評估分析
7.4 本章小結(jié)
第8章 結(jié)合狄利克雷分布與均值模板的圖像分割方法
8.1 引言
8.2 狄利克雷分布模型建立
8.3 狄利克雷分布的參數(shù)計算
8.4 實驗對比與評估分析
8.5 本章小結(jié)
第9章 結(jié)合測地線活動輪廓與模糊c均值的圖像分割方法
9.1 引言
9.2 帶CAC的模糊C均值模型
9.3 模糊C均值參數(shù)學(xué)習(xí)
9.4 實驗對比與分析
9.5 本章小結(jié)
第10章 基于非□部均值模板的圖像分割方法
10.1 引言
10.2 空間約束的學(xué)生-t模型
10.3 空間約束的學(xué)生-t分布參數(shù)計算
10.4 實驗對比與分析
10.5 基于MRI醫(yī)學(xué)圖像的對比實驗
10.6 本章小結(jié)
第11章 基于空間約束概率模型優(yōu)化的圖像分割方法
11.1 空間約束混合模型
11.2 多□量混合學(xué)生-t分布與TVFE相結(jié)合的空間約束模型
11.3 實驗對比與分析
11.4 本章小結(jié)
第12章 基于多□量學(xué)生-t分布的多類圖像分割方法
12.1 基于多□量學(xué)生-t分布的□分模型圖像分割方法
12.2 基于多□量學(xué)生-t分布的彩色紋理圖像分割方法
12.3 本章小結(jié)
第13章 深度學(xué)習(xí)的基本原理
13.1 深度學(xué)習(xí)概述
13.2 深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
13.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
13.4 典型神經(jīng)網(wǎng)絡(luò)模型
13.5 強化學(xué)習(xí)
13.6 遷移學(xué)習(xí)
第14章 圖像的場景分類方法
14.1 基于條件隨機場的圖像場景分類方法
14.2 利用全□優(yōu)化策略的圖像場景分類
14.3 利用卷積流形網(wǎng)絡(luò)的圖像場景分類方法
14.4 改進(jìn)超圖學(xué)習(xí)的圖像場景分類方法
第15章 圖像的目標(biāo)檢測方法
15.1 圖像分層顯著性目標(biāo)提取方法
15.2 圖像的人造目標(biāo)檢測方法
15.3 圖像單類信息提取方法
15.4 特定類別的圖像分類方法
展開全部
圖像處理與分割技術(shù)研究 作者簡介
楊勇,□，工學(xué)博士，主要研究方向為模式識別、機器學(xué)習(xí)、圖像分割，主要研究特征提取、能量模型優(yōu)化等方面。在圖像處理與模式識別領(lǐng)域發(fā)表SCI／EI期刊8篇，曾作為主要負(fù)責(zé)人主持□□□、省部級、地廳級項目7項，并獲得軟件著作權(quán)10項，授權(quán)實用新型專利8項，發(fā)明專利2項。
書友推薦
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
月亮與六便士
- >
有舍有得是人生
- >
隨園食單
- >
唐代進(jìn)士錄
- >
名家?guī)阕x魯迅:朝花夕拾
- >
朝聞道
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
