智能视觉图像处理

智能视觉图像处理
ISBN: 
7-5428-2994-7/TP.30
出版日期: 
2002-01
开本: 
32开
页码: 
356
定价(元): 
40.00
作者: 
斯华龄、张立明编著
  

目录

编写本书的目的1
第1章 引言1
第1节 传统图像处理方法2
1.1图像处理3
1.2图像变换16
1.3图像压缩编码及标准32
1.4图像模式识别47
1.5图像加密(水印)62
第2节 智能视觉图像处理与传统图像处理的异同67
2.1概述67
2.2人的视觉系统69
2.3人工神经网络模型71
2.4智能图像处理方法和传统图像处理方法的不同77
第2章 智能视觉图像处理基础——独立元分析方法96
第1节有监督学习算法96
1.1有监督学习与无监督学习的联系96
1.2用能量函数作为目标函数的人工神经网络方法98
第2节独立元分析原理100
2.1独立元分析的提出101
2.2解独立元分析问题的发展情况102
2.3解的可能性分析104
第3节随机变量独立性的概念和目标函数113
3.1随机变量之间的独立概念113
3.2衡量输出独立性的目标函数114
3.3概率密度函数和熵的近似123
第4节主元分析算法125
4.1理论与原理126
4.2求解主元分析的数学方法128
4.3用人工神经网络训练来完成主元分析129
第5节基于统计平均的独立元分析算法135
5.1概述135
5.2早期的独立元分析算法136
5.3用目标函数的算法140
第6节单像素独立元分析算法——拉格朗日约束神经网络160
6.1问题提出160
6.2拉格朗日约束神经网络原理161
6.3拉格朗日约束神经网络的迭代算法171
6.4讨论172

第3章基于统计平均的独立元分析在智能视觉图像处理中的应用174
第1节概述174
第2节独立元分析技术在图像获得与传输中的应用178
2.1概述178
2.2智能摄像机——用于分离多个图像的独立成分179
2.3通信中的应用——两条信道传送4幅图像185
第3节独立元分析技术在纹理分割图像上的应用187
3.1概述187
3.2独立元分析的信息集中188
3.3纹理数据在独立元基中的表现190
3.4结论195
第4节独立元分析技术在人脸图像识别中的应用196
4.1概述196
4.2“特征脸”方法198
4.3独立元分析方法用作人脸识别200
4.4人脸识别中的主元分析、独立元分析及局部独立元分析203
4.5实验结果205
4.6讨论209
4.7以后的实验方向211
第5节独立元分析技术在数字水印上的应用212
5.1概述212
5.2用独立元分析人工神经网络的多媒体数据盲分离213
5.3种入多媒体水印疫苗的独立元215
第6节独立元分析技术应用在语音分析上221
第7节独立元分析技术在某些应用中遇到的问题225
7.1心电信号处理225
7.2心脏瓣膜生物修复术后心脏异常的心音分析233

第4章单像素独立元分析方法在早期乳房癌检测中的应用244
第1节概述244
第2节背景和原理244
第3节拉格朗日约束神经网络方法和正交对消向量方法247
3.1波尔兹曼熵248
3.2早期乳房肿瘤检测的目标函数——亥姆霍兹自由能248
3.3用正交对消向量的算法250
3.4小结251
第4节用亥姆霍兹自由能对早期乳房癌的检测结果252

第5章单像素独立元算法与其他方法相结合的遥感图像处理255
第1节概论255
第2节单像素的独立元分析对多光谱遥感图像的处理259
2.1拉格朗日约束神经网络的多光谱遥感图像处理原理259
2.2拉格朗日约束神经网络算法步骤262
2.3实验和结果比较263
第3节集成子波纹理——边缘特征的神经网络的遥感图像分类器266
3.1人工神经网络分类——每个像素单个标记267
3.2宏观结构的子波纹理索引267
3.3实验结果271
3.4结论273
第4节超光谱图像处理274
4.1概述275
4.2超光谱图像处理的新方法:正交子空间投影方法 和独立元分析方法277
4.3空载可视红外成像摄谱仪图像处理结果282
第5节合成孔径雷达干涉仪的应用285
5.1数字雷达285
5.2合成孔径雷达系统288
5.3用合成孔径雷达干涉仪确定三维空间293

第6章人的视觉边缘奇异图及应用298
第1节用独立元分析的初级视觉系统的图像分析298
第2节人的视觉系统的奇异图分析304
2.1奇异图概念304
2.2抽取奇异图的一般方法306
2.3用奇异图解决视频压缩中的光流问题313
第3节借助哈密顿草帽子波得到加噪信号的奇异图314
第4节奇异图和子波变换进行超高压缩率的图像压缩321
4.1新的图像压缩思路321
4.2WaveNet系统322
4.3WaveNet算法流程324
4.4视频压缩模块328
4.5小结329
第5节在视频图像中对移动物体识别的约翰逊法则330
5.1约翰逊法则331
5.2人的视觉感知和视频图像中的约翰逊法则331
5.3对于“类约翰逊”法则的验证实验334
附录:在任意角度下的Wszu和Wang与最大的特征值的关系337
后记340

内容提要

        乳房癌是一种妇女常见的癌症。在医学上常采用红外照相技术来检测患者的乳房,由于早期的乳房癌很小,很难用肉眼从照片上分辨患者是否患有乳房癌,一般要用计算机对照片进行图像处理。但是,早期的乳房癌在照片中可能只有几个像素,目前常用的计算机图像处理采用的是统计平均方法,有可能在处理中将这几个像素平均掉了,因此还是发现不了早期的乳房癌。本书作者之一,斯华龄教授提出了一种多通道、单像素无监督学习方法,用拉格朗日神经网络进行图像处理,取得了令人振奋的成果——可以发现早期的乳房癌。这种方法还在遥感图像处理、人脸识别、图像分离、多媒体产品的数字加密、语音分析等方面的应用取得了很好的效果。
        我社出版的《智能视觉图像处理——多通道图像的无监督学习方法及其他方法》一书,是由斯华龄教授和复旦大学张立明教授合著的一本专门介绍这种方法的专著。全书展现了现代智能图像处理的新概念和新方法。

前言

        编写本书的目的

        图像处理的方法离不开人们对生物视觉的了解,如在图像压缩时,离散余弦变换(DCT)系数的量化,就是考虑到人对低频成分的敏感度比高频的强,从而对高频用大的量化步长,低频用小的量化步长,使人眼看到经过压缩的图像,仍有较高的质量。在视频采样中,用25~30帧/秒,是因为人眼不能分辨超过30帧/秒以上的图像变化。但是,多数的图像处理方法还是建立在数字信息处理和概率统计的基础上,与人的视觉处理还有很大的差别。
        人工神经网络和人工智能企图模拟人脑的功能.人工智能是用模式模拟人处理事件的能力,而人工神经网络是从结构上模拟人脑的功能.它们各自都发展成一门学科,但人工智能解决的是大的决策问题,需要很多先验知识,使用符号逻辑方法,在模式识别上的应用成效较小。人工神经网络采用的是学习机理,在有监督学习中可通过“教师”来调整权,达到识别的目的,但还有很多方面没有跳出工程技术方法的范畴,在图像处理上的应用也不多。霍普菲尔德(Hopfiled)的反馈式神经网络是建立在李雅普诺夫(Lyapunov)函数最小的基础上,在优化和联想记忆上有其特点,因它的连接权是通过学习获得或用目标函数进行设计的,在本书中把它归为有监督学习。细胞神经网络(CNN)主要用来进行图像处理,它的权也是预先设计好的,也归为有监督学习。关于这些方面的内容已有很多教科书作过介绍.本书讨论的内容主要是建立在无监督学习基础上,针对近年来发展很快的、以最大熵为目标的独立元分析方法,同时突出把独立元分析方法与图像和信息分析相结合的一些思路,把视频图像处理与人工神经网络相结合,形成新的、智能的、类脑的图像处理方法,给读者打开一扇新的窗口。

作者简介

精彩片段

书评

资料下载

丛书引用