圖像模式識別：VC++技術(shù)實現(xiàn)

第1章 模式識別的基本概念
1.1   模式識別的基本概念
1.2   圖像識別
1.3   位圖基礎(chǔ)
1.3.1  數(shù)字圖像的基本概念
1.3.2  BMP文件結(jié)構(gòu)
1.3.3  Cdib類庫的建立
小結(jié)
習題
第2章 分類器設(shè)計
2.1   特征空間優(yōu)化設(shè)計問題
2.2   分類器設(shè)計準則
2.3   分類器設(shè)計基本方法
2.4   判別函數(shù)
2.5   分類器的選擇
2.6   訓練與學習
小結(jié)
習題
第3章 模板匹配分類器
3.1   特征類設(shè)計
3.2   待測樣品特征提取
3.3   訓練集特征庫的建立
3.4   模板匹配分類法
小結(jié)
習題
第4章 基于概率統(tǒng)計的Bayes分類器
4.1   Bayes決策的基本概念
4.1.1  Bayes決策所討論的問題
4.1.2  Bayes公式
4.2   基于最小錯誤率的Bayes決策
4.3   基于最小風險的Bayes決策
4.4   Bayes決策比較
4.5   基于二值數(shù)據(jù)的Bayes分類實現(xiàn)
4.6   基于最小錯誤率的Bayes分類實現(xiàn)
4.7   基于最小風險的Bayes分類實現(xiàn)
小結(jié)
習題
第5章 幾何分類器
5.1   幾何分類器的基本概念
5.2   線性判別函數(shù)
5.3   線性判別函數(shù)的實現(xiàn)
5.4   感知器算法
5.5   增量校正算法
5.6   LMSE驗證可分性
5.7   LMSE分類算法
5.8   Fisher分類
5.9   線性分類器實現(xiàn)分類的局限性
5.10  非線性判別函數(shù)
5.11   分段線性判別函數(shù)
5.12  勢函數(shù)法
小結(jié)
習題
第6章 神經(jīng)網(wǎng)絡(luò)分類器
6.1   人工神經(jīng)網(wǎng)絡(luò)的基本原理
6.1.1  人工神經(jīng)元
6.1.2  人工神經(jīng)網(wǎng)絡(luò)模型
6.1.3  神經(jīng)網(wǎng)絡(luò)的學習過程
6.1.4  人工神經(jīng)網(wǎng)絡(luò)在模式識別問題上的優(yōu)勢
6.2   BP網(wǎng)絡(luò)設(shè)計
6.2.1  三層BP網(wǎng)絡(luò)學習算法
6.2.2  BP網(wǎng)絡(luò)設(shè)計需要考慮的問題
6.3   神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
小結(jié)
習題
第7章 圖像分割與特征提取
7.1   聚類簡介
7.2   圖像閾值分割
7.2.1  直方圖門限造反閾值
7.2.2  半閾值選擇分割
7.3   圖像的標識及特征提取
7.4   圖像的輪廓提取
7.5   圖像的測量
7.5.1  二值圖像的區(qū)域面積測量
7.5.2  二值圖像的周長測量
小結(jié)
習題
第8章 聚類分析
8.1   聚類的設(shè)計
8.2   模式相似性測量
8.3   基于試探的未知類別聚類算法
8.3.1  最臨近規(guī)則的試探法
8.3.2  最大最小距離算法
8.4   層次聚類算法
8.4.1  最短距離法
8.4.2  最長距離法
8.4.3  中間距離法
8.4.4  重心法
8.4.5  類平均距離法
8.5   動態(tài)聚類算法
8.5.1  K均值算法
8.5.2  迭代自組織的數(shù)據(jù)分析算法（ISODATA）
小結(jié)
習題
第9章 模糊聚類分析
9.1   模糊集的基本概念
9.2   模糊集運算
9.2.1  模糊子集運算
9.2.2  模糊集運算性質(zhì)
9.3   模糊關(guān)系
9.4   模糊集在模式識別中的應(yīng)用
9.5   模糊聚類分析
小結(jié)
習題
第10章 遺傳算法聚類分析
10.1  遺傳算法基本概念
10.2  遺傳算法的構(gòu)成要素
10.2.1 染色體的編碼
10.2.2 適應(yīng)度函數(shù)
10.2.3 遺傳算子
10.3  控制參數(shù)的選擇
10.4  基于遺傳算法的聚類分析
小結(jié)
習題
附錄A 幾種主要矩陣運算的程序代碼
參考文獻