貝葉斯網(wǎng)絡(luò)在影像解譯中的應(yīng)用

內(nèi)容概要

　　本書在系統(tǒng)分析和總結(jié)貝葉斯網(wǎng)絡(luò)基本理論和方法的基礎(chǔ)上，探討如何將貝葉斯網(wǎng)絡(luò)應(yīng)用于影像紋理分類中，并進(jìn)一步拓寬其在該領(lǐng)域中的應(yīng)用。主要內(nèi)容包括：基于貝葉斯網(wǎng)絡(luò)的特征選擇方法、基于貝葉斯網(wǎng)絡(luò)的影像紋理分類模型、引入簡(jiǎn)單圖像語(yǔ)義信息和帶有相關(guān)反饋的影像紋理分類的貝葉斯網(wǎng)絡(luò)方法。本書在借助貝葉斯網(wǎng)絡(luò)能夠描述隨機(jī)變量之間因果關(guān)系的優(yōu)勢(shì)進(jìn)行特征選擇、針對(duì)航空影像中的居民地和灌木兩種典型地物提取語(yǔ)義信息，以及將控制論中的控制與反饋思想引入訓(xùn)練樣本的選擇過程等方面都頗有特色。
　　本書可供從事攝影測(cè)量與遙感、人工智能、模式識(shí)別、知識(shí)發(fā)現(xiàn)、機(jī)器學(xué)習(xí)、圖像理解、信息處理、計(jì)算機(jī)科學(xué)、數(shù)理統(tǒng)計(jì)學(xué)、機(jī)器人、生物醫(yī)學(xué)等專業(yè)的科研人員和大專院校相關(guān)專業(yè)的師生學(xué)習(xí)參考。

書籍目錄

第1章　緒論
　1.1　引言
　1.2　貝葉斯網(wǎng)絡(luò)的研究與應(yīng)用現(xiàn)狀
　1.3　貝葉斯網(wǎng)絡(luò)在影像解譯中的應(yīng)用
第2章　貝葉斯網(wǎng)絡(luò)的基本原理
　2.1　貝葉斯學(xué)習(xí)基礎(chǔ)
　2.2　貝葉斯網(wǎng)絡(luò)的基本概念
　2.3　貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)
　2.4　貝葉斯網(wǎng)絡(luò)的推理
　2.5　動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)
　2.6　貝葉斯網(wǎng)絡(luò)與其他算法的關(guān)系
　2.7　本章小結(jié)
第3章　基于貝葉斯網(wǎng)絡(luò)的特征選擇
　3.1　影像特征選擇方法概述
　3.2　影像紋理特征的描述與提取
　3.3　算法流程
　3.4　實(shí)驗(yàn)與分析
　3.5　本章小結(jié)
第4章　基于貝葉斯網(wǎng)絡(luò)的航空影像紋理分類
　4.1　簡(jiǎn)單貝葉斯網(wǎng)絡(luò)的分類方法
　4.2　多級(jí)貝葉斯網(wǎng)絡(luò)的分類方法
　4.3　帶有隱藏節(jié)點(diǎn)的貝葉斯網(wǎng)絡(luò)的分類方法
　4.4　樹型貝葉斯網(wǎng)絡(luò)的分類方法
　4.5　本章小結(jié)
第5章　引入圖像語(yǔ)義信息的貝葉斯網(wǎng)絡(luò)的航空影像紋理分類方法
　5.1　圖像語(yǔ)義信息
　5.2　引人后驗(yàn)概率的簡(jiǎn)單語(yǔ)義信息的分類方法
　5.3　引入圖像分割的簡(jiǎn)單語(yǔ)義信息的分類方法
　5.4　本章小結(jié)
第6章　帶有偽相關(guān)反饋的貝葉斯網(wǎng)絡(luò)的航空影像紋理分類方法
　6.1　控制與反饋
　6.2　相關(guān)反饋
　6.3　帶有統(tǒng)計(jì)質(zhì)量管理的偽相關(guān)反饋機(jī)制的分類方法
　6.4　帶有Q型因子分析的偽相關(guān)反饋機(jī)制的分類方法
　6.5　本章小結(jié)
參考文獻(xiàn)

章節(jié)摘錄

版權(quán)頁(yè)：插圖：通常，對(duì)于一個(gè)普通人來說，理解(或解譯)一幅影像的內(nèi)容并非是一件難事，然而對(duì)于一臺(tái)計(jì)算機(jī)來說，要想建立一個(gè)類似于人類視覺的影像理解(或解譯)系統(tǒng)，卻是相當(dāng)困難。其主要原因有以下幾個(gè)方面(葉志偉，2006)。(1)計(jì)算機(jī)影像處理技術(shù)是對(duì)人類視覺的一種模擬，而人類的視覺系統(tǒng)是一種神奇的、高度自動(dòng)化的生物影像處理系統(tǒng)。目前，人類對(duì)于視覺系統(tǒng)生物物理過程的認(rèn)識(shí)還很膚淺，視覺計(jì)算理論還不夠完善，迄今為止還沒有一個(gè)統(tǒng)一的理論。此外，計(jì)算機(jī)系統(tǒng)應(yīng)用什么途徑去“模仿”也是一個(gè)問題。(2)影像本身并不具有精確描述三維景物的全部信息，這就需要知識(shí)的引導(dǎo)。如何表示和應(yīng)用知識(shí)并非一件易事，這正是人工智能領(lǐng)域中正致力研究和解決的問題。另外，影像在形成過程中受到許多因素的影響，從而產(chǎn)生許多“不確定”的因素。而且現(xiàn)實(shí)場(chǎng)景的復(fù)雜性和多樣性，使得現(xiàn)有的算法缺少可靠性和通用性。(3)影像分類中所使用的影像特征對(duì)分類識(shí)別的效果有直接的影響。選擇和提取較好的特征，可以增加不同類別之間的差異性，從而可以比較容易地實(shí)現(xiàn)影像的分類和分割，所以特征的提取和選擇是影像分類和分割的關(guān)鍵問題之一。(4)影像分類主要包括訓(xùn)練(學(xué)習(xí))和測(cè)試兩個(gè)階段。其實(shí)，訓(xùn)練階段的學(xué)習(xí)質(zhì)量直接影響到后續(xù)的分類效果。在訓(xùn)練階段，訓(xùn)練樣本的選擇在整個(gè)監(jiān)督分類過程中具有舉足輕重的作用。選擇不同的訓(xùn)練樣本，其分類結(jié)果可能有著“天壤之別”。正確地選擇具有典型性和代表性的訓(xùn)練樣本，是能否取得良好分類效果的一個(gè)關(guān)鍵問題。近些年，訓(xùn)練階段的學(xué)習(xí)質(zhì)量開始引起研究工作者的重視。雖然是困難重重，但是人們還是對(duì)它進(jìn)行堅(jiān)持不懈地探索和研究。到目前為止，人類研究影像解譯已經(jīng)近半個(gè)世紀(jì)，國(guó)內(nèi)外的科研工作者也取得了大量的研究成果。在監(jiān)督分類方法中，最經(jīng)典、應(yīng)用最廣泛的莫過于最大似然法，過去和現(xiàn)在幾乎所有圖像處理軟件中都有這一算法，它有時(shí)也稱為貝葉斯分類器。然而，近年新的方法也層出不窮，特別是人工智能領(lǐng)域的一些思想和方法被引入到影像解譯。中，如神經(jīng)網(wǎng)絡(luò)、支撐向量機(jī)、遺傳算法、人工免疫算法、粒子群算法、蟻群行為仿真、危險(xiǎn)理論等方法。這些新思想和新方法取得了一定的效果，但是目前主要還是停留在理論實(shí)驗(yàn)階段，離實(shí)際的生產(chǎn)應(yīng)用還有一定的距離。總的看來，要實(shí)現(xiàn)影像解譯的自動(dòng)化和智能化還有漫長(zhǎng)的路要走，將人工智能領(lǐng)域中的一些新方法和思想引入到影像解譯領(lǐng)域中，互相取長(zhǎng)補(bǔ)短，是開創(chuàng)影像解譯新局面的較好途徑。

編輯推薦

《貝葉斯網(wǎng)絡(luò)在影像解譯中的應(yīng)用》是由測(cè)繪出版社出版的。

圖書封面

評(píng)論、評(píng)分、閱讀與下載

---

    貝葉斯網(wǎng)絡(luò)在影像解譯中的應(yīng)用 PDF格式下載

---