 |
-- 會員 / 註冊 --
|
 |
|
|
|
基于仿生視覺的圖像處理方法及應用 ( 簡體 字) |
| 作者：周開軍,周鮮成,余伶俐 | 類別：1. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 50724
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：1/1/2019 |
| 頁數：168 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
【不接受訂購】 | | ISBN：9787121349256 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：隨著人工智能時代的來臨，基于仿生視覺的圖像處理成為體現計算機智能化水平的重要標志，也是目前國家重點研發計劃“類腦計算”中亟待解決的關鍵問題。首先，視覺屬性濾波方法在結構元素選取、濾波規則等方面存在局限性，因此，利用圖像連通區域的多個視覺屬性來設計分類判決規則，對含有大量不同灰度級與形態的視覺區域、邊緣模糊和復雜內容結構的圖像濾波具有重要作用。其次，車輛輔助駕駛中的車道線和車輛檢測的主要難點包括：實際路面標記復雜，容易產生污漬、樹蔭等干擾；在十字路口時，車道線會消失；當車輛較多、車輛太靠近時，會遮擋車道線標志；在雨天、路面反光的情況下，干擾非常大；不同的光線強度影響檢測穩定性等。因此，模擬人類視覺信號處理機制來進行車道線和車輛檢測是可行的解決方案。最后，圖像不變屬性特征提取是提高圖像識別率的重要手段。眾所周知，人類視覺能準確感知旋轉、比例縮放、平移（RST）和加噪后的圖像。如何模擬生物視覺皮層，在不同功能階段構建感知模型，并客觀描述大腦視覺皮層細胞對線條響應的強度，使該模型能有效提取圖像RST的不變屬性特征，成為亟待解決的問題。
本書以圖像視覺信息處理中的視覺屬性濾波、車道線與車輛檢測、掌紋識別和交通標志牌檢測為研究內容，對最大樹（Max-tree）構建、枝剪和復原方法進行闡述，設計出融合多種視覺屬性的連通濾波算法，研究基于仿生視覺算法的車道線與車輛檢測方法，提出受生物啟發的變換方法，成功應用于掌紋識別和交通標志牌檢測的過程。全書共9章，首先，設計以Max-tree為基礎的形態學濾波器，對Max-tree的構建、枝剪和復原進行詳細闡述，在此基礎上融合圖像的連通區域面積、灰度值及形狀等屬性，運用SVM方法對最大樹節點進行多變量屬性分類，通過圖像重構，完成復雜結構圖像濾波。然后，針對復雜環境下的車道線和車輛檢測問題，探討一種基于視頻圖像的車道線檢測方法，分析HMAX仿生視覺模型的算法流程。最后，深入探討受生物啟發的不變屬性仿生圖像識別方法及雙生物啟發變換方法，并應用于掌紋識別和交通標志牌檢測的過程。本書的第1章、第2章、第4章、第5章由余伶俐執筆，第3章由周鮮成執筆，第6章、第7章、第8章、第9章由周開軍執筆，全書由周開軍、余伶俐統稿。
本書是我們團隊秉承“為實為新”的科研精神，在仿生圖像處理與識別領域的近8年研究工作的總結，得到了國家自然科學基金項目（61304253、61471170、61403426）、湖南省自然科學基金項目（2018JJ2197、2018JJ2531）的資助。參與本書研究工作的團隊包括湖南商學院研究生院院長周鮮成教授，中南大學信息科學與工程學院余伶俐博士、李儀博士等，他們對本書給予了指導與支持。還有研究生夏旭梅、裴林在完成研究工作的同時，為本書的撰寫提供了許多寶貴資料，正是團隊的勤奮工作和共同努力，使得本書得以順利完成。作者在撰寫書稿的過程中，還得到了美國布蘭迪斯大學復雜系統國家實驗室John Lisman和洪鵬宇教授的鼓勵與指導。為此，特別感謝為本書的撰寫做出重要貢獻和給予大力支持的團隊老師與研究生。此外，還感謝“參考文獻”中所列國內外著作論文的研究工作者，他們的扎實工作構成了本書研究的基礎。最后，對電子工業出版社的王曉慶編輯及相關同志表示衷心感謝，正是他們在出版過程中細致與辛苦的工作，使得本書能順利與讀者見面。
仿生視覺剛進入起步階段，許多涉及計算生物學、圖像處理、模式識別、人工智能的理論與應用還在不斷發展，加之作者水平有限、時間倉促，書中存在不妥之處，懇請讀者和專家們批評指正。
周開軍 周鮮成 余伶俐
2018年12月
于湖南商學院 |
內容簡介：本書是作者及其團隊近8年來基于仿生視覺的圖像處理方法及應用的研究工作的總結，內容涉及圖像視覺屬性濾波和生物視覺啟發變換模型，以及在車道線與車輛檢測、交通標志牌檢測和掌紋識別等領域的應用。書中論述以Max-tree為基礎的視覺屬性濾波器，對Max-tree的構建、枝剪和復原進行詳細討論。在此基礎上，融合圖像的連通區域面積、灰度值及形狀等多個視覺屬性，運用支持向量機對Max-tree節點進行多視覺屬性分類，給出復雜視覺結構圖像濾波方法。針對復雜環境下的車道線和車輛檢測問題，探討一種基于視頻圖像的車道線檢測方法，給出基于HMAX仿生視覺模型的車輛檢測算法流程。闡述一種受生物啟發的圖像特征提取方法，設計雙生物啟發變換網絡，證明變換網絡的旋轉、平移及比例不變特性，實現復雜環境中的交通標志牌與掌紋特征提取。這些方法在實際應用中取得了明顯的應用效果，實現了圖像的仿生視覺處理過程，為解決復雜環境中的圖像處理與識別問題起到了重要作用。相關方法能推動計算機視覺領域的認知科學、模式識別、計算生物學等前沿問題研究，可為我國仿生視覺及人工智能研究提供借鑒和參考。本書可作為高等院校人工智能、模式識別、計算機科學與技術等專業的研究生或高年級本科生的專業基礎課程的輔助教材，亦可供廣大從事人工智能、計算機視覺、圖像處理、模式識別研究與應用領域的科技工作者、高校師生閱讀和參考。
|
目錄：第1章 緒論 1
1.1 圖像視覺屬性濾波方法的研究現狀 2
1.1.1 基礎形態學濾波器 2
1.1.2 廣義形態學濾波器 3
1.1.3 Max-tree視覺屬性濾波器 4
1.1.4 連通濾波方法的研究現狀 5
1.2 車道線與車輛檢測方法的研究現狀 6
1.2.1 車道線檢測方法的研究現狀 6
1.2.2 車輛檢測方法的研究現狀 6
1.3 掌紋圖像識別方法的研究現狀 8
1.4 仿生視覺算法的研究現狀 9
1.5 本書章節安排 11
第2章 基于Max-tree的圖像視覺屬性濾波方法 13
2.1 Max-tree的濾波規則 13
2.1.1 最小規則 14
2.1.2 直接規則 16
2.1.3 最大規則 17
2.1.4 減法規則 19
2.2 圖像復原 20
2.2.1 最小規則復原 20
2.2.2 直接規則復原 22
2.2.3 最大規則復原 23
2.2.4 減法規則復原 23
2.3 二值圖像面積屬性濾波 23
2.4 灰度圖像屬性濾波 27
2.4.1 面積濾波 29
2.4.2 灰度值濾波 33
2.4.3 最小包圍矩形濾波 37
2.5 濾波器性能比較 40
2.6 本章小結 41
第3章 基于多變量視覺屬性分類的圖像濾波方法 43
3.1 Max-tree構造與濾波規則 43
3.2 基于多變量屬性分類規則的連通濾波算法 44
3.2.1 基于多變量屬性的Max-tree構造 44
3.2.2 基于SVM的Max-tree節點屬性分類算法 46
3.3 實驗與分析 47
3.3.1 Max-tree的不同枝剪規則的性能比較 47
3.3.2 不同濾波方法的性能比較 49
3.3.3 多變量屬性分類規則在掌紋與掌脈圖像分割中的應用 51
3.4 本章小結 54
第4章 基于邊緣與線條視覺信息的車道線檢測方法 55
4.1 圖像預處理 55
4.1.1 攝像頭相關參數 55
4.1.2 系統參數設置 56
4.2 邊緣提取與直線檢測 59
4.2.1 邊緣提取設計 59
4.2.2 直線檢測設計 61
4.3 車道線檢測方案設計 61
4.3.1 車道線模型設計 62
4.3.2 車道線候選對象的篩選 62
4.3.3 樣條曲線擬合 63
4.3.4 重建車道區域 64
4.3.5 更新區域 65
4.4 系統總體設計 66
4.4.1 OpenCV簡介 66
4.4.2 系統的流程設計 67
4.5 實驗結果與分析 67
4.5.1 分步結果分析 68
4.5.2 結果分析 69
4.6 本章小結 72
第5章 基于HMAX仿生視覺模型的車輛檢測方法 73
5.1 標準模型和HMAX模型 73
5.1.1 標準模型 73
5.1.2 HMAX模型 75
5.2 HMAX模型的層次結構 75
5.2.1 HMAX模型概述 75
5.2.2 HMAX模型的結構 76
5.2.3 HMAX模型的特點 77
5.2.4 HMAX模型存在的問題 77
5.2.5 HMAX模型分析 78
5.3 實驗過程 79
5.3.1 實驗環境構建 79
5.3.2 對自然場景下的圖像進行特征提取 81
5.3.3 對簡單場景下的車輛進行特征提取 82
5.4 實驗結果與分析 83
5.5 本章小結 85
第6章 基于仿生視覺感知的交通標志牌檢測方法 86
6.1 生物啟發變換的RST不變屬性特征提取框架 86
6.2 基于filter-filter結構的方向邊緣檢測方法 87
6.2.1 Gabor函數的圖像濾波 88
6.2.2 融合雙極濾波器與Gabor濾波器的方向邊緣檢測方法 88
6.3 空間的間距檢測 90
6.4 仿真實驗與分析 92
6.4.1 RST不變屬性特征提取的有效性分析 93
6.4.2 RST不變屬性特征提取方法的性能比較分析 95
6.4.3 過程參數的選取分析 100
6.5 提出的方法在交通標志牌識別中的應用 102
6.6 本章小結 105
第7章 基于生物啟發變換的掌紋識別 106
7.1 BIT特征提取框架 106
7.2 相關的基礎理論 107
7.2.1 Gabor濾波器池 107
7.2.2 基于相位一致性的方向邊緣檢測 108
7.3 提出的方法 109
7.3.1 方向邊緣檢測 109
7.3.2 局部空間頻率檢測 111
7.4 掌紋匹配方法 113
7.5 實驗結果與分析 113
7.5.1 掌紋數據庫和實驗環境 113
7.5.2 有效性分析 115
7.5.3 掌紋驗證 118
7.5.4 掌紋識別 122
7.6 本章小結 124
第8章 基于雙生物啟發變換網絡的魯棒掌紋圖像識別 125
8.1 雙生物啟發變換網絡框架 125
8.2 提出的方法 127
8.2.1 視覺信息處理機制 127
8.2.2 Gabor濾波器組 129
8.2.3 基于相位一致性的邊緣檢測算法 129
8.2.4 用于方向邊緣檢測的雙極濾波器 129
8.2.5 局部空間頻率雙檢測算子 131
8.3 掌紋匹配算法 136
8.4 實驗結果與分析 137
8.4.1 掌紋數據庫和實驗環境 137
8.4.2 特征不變性和選擇性分析 139
8.4.3 掌紋驗證 141
8.4.4 掌紋辨識 144
8.5 本章小結 145
第9章 總結與展望 146
9.1 多視覺屬性的圖像形態濾波方法總結與展望 146
9.2 車道線與車輛檢測方法總結與展望 147
9.3 車輛與車道線的仿生檢測方法總結與展望 148
參考文獻 149 |
| 序： |
|
