圖像成為人們對事物進行感知和認識的基本方式�？墒�，日常生活中人們接觸或獲取的各類圖像一般都蘊含較為復雜的信息。圖像處理算法尤其是自適應圖像處理算法已成為圖像處理和人工智能領域的一個研究熱點�！蹲赃m應圖像處理算法及應用研究》主要對二維經(jīng)驗模式分解(BEMD)、二維局域均值分解(BLMD)、深度學習及自適應小波算法進行研究和總結，使讀者可以快速了解和掌握**的圖像處理算法。主要內(nèi)容包括：傳統(tǒng)BEMD方法及相關理論基礎；BEMD插值算法和端部效應消除算法；BEMD停止條件和模式混疊消除算法；BLMD算法；BEMD算法與BLMD算法的應用研究；基于深度學習的應用研究和基于自適應小波的圖像加密應用研究。
更多科學出版社服務，請掃碼獲取。
圖像處理,研究
目錄
前言
第1章 緒論 1
1.1 背景 1
1.2 BEMD理論國內(nèi)外研究現(xiàn)狀 4
1.2.1 插值方法及端部效應 4
1.2.2 停止條件及模式混疊 6
1.3 圖像處理應用現(xiàn)狀 7
1.3.1 圖像去噪 7
1.3.2 圖像特征提取 8
1.3.3 圖像融合 9
第2章 傳統(tǒng)BEMD方法及相關理論基礎 14
2.1 引言 14
2.2 一維經(jīng)驗模式分解 14
2.3 BEMD方法 15
2.3.1 基本原理 15
2.3.2 極值點提取方法 16
2.3.3 二維插值技術 17
2.3.4 BEMD方法存在的主要問題 17
2.4 相關理論 19
2.4.1 支持向量機基本原理 19
2.4.2 粒子群算法基本原理 20
2.4.3 分形理論 21
2.4.4 鏡像閉合 27
第3章 BEMD插值算法和端部效應消除算法 29
3.1 基于分形理論的BEMD插值算法 29
3.1.1 一維布朗運動 29
3.1.2 分形布朗函數(shù) 30
3.1.3 圖像的分形特征 31
3.1.4 隨機中點位移法 31
3.1.5 基于分形理論的BEMD插值算法 32
3.1.6 BEMD算法插值的具體實現(xiàn)過程 34
3.2 分形插值參數(shù)粒子群優(yōu)化 35
3.3 BEMD算法分形粒子群插值實驗分析 36
3.3.1 圖像質量評價 36
3.3.2 實驗分析 37
3.4 混沌粒子群優(yōu)化的自適應支持向量機回歸模型 43
3.4.1 支持向量機回歸模型 43
3.4.2 混沌優(yōu)化 45
3.4.3 支持向量機參數(shù)自適應混沌粒子群優(yōu)化步驟 45
3.5 端部鏡像閉合延拓 47
3.6 圖像信號回歸模型與外推延拓 47
3.7 自適應支持向量機-鏡像閉合延拓的端部效應處理計算步驟 48
3.8 消除端部效應BEMD實例分析 48
第4章 BEMD停止條件和模式混疊消除算法 55
4.1 BEMD停止條件問題概述 55
4.2 BEMD過程極值點演化規(guī)律 56
4.3 基于零值平面投影不重合極值點數(shù)的BEMD停止條件 60
4.4 停止條件實例分析 60
4.4.1 實驗一 60
4.4.2 實驗二 62
4.5 基于自適應噪聲輔助的抑制BEMD模式混疊方法 64
4.5.1 BEMD模式混疊問題概述 64
4.5.2 基于自適應噪聲輔助的抑制BEMD模式混疊方法 64
4.6 抑制BEMD模式混疊實例分析 65
第5章 BLMD算法 69
5.1 一維局域均值分解回顧 69
5.2 極值譜的提取 71
5.3 基于分形理論的BLMD插值算法 72
5.3.1 圖像的分形特征 72
5.3.2 基于分形理論的BLMD插值算法 73
5.3.3 BLMD算法插值的具體實現(xiàn)過程 74
5.4 二維生產(chǎn)函數(shù)分量曲面的獲取 74
5.5 停止條件 75
5.6 BLMD算法計算過程 76
第6章 BEMD算法與BLMD算法的應用研究 78
6.1 自適應BEMD算法基本原理 78
6.2 基于自適應BEMD算法的圖像去噪 80
6.2.1 自適應BEMD算法的圖像去噪 80
6.2.2 圖像去噪的步驟 80
6.3 基于自適應BEMD算法圖像去噪實例分析 81
6.3.1 含高斯白噪聲圖像 81
6.3.2 含椒鹽噪聲圖像 83
6.3.3 含隨機噪聲圖像 84
6.3.4 實際井下環(huán)境圖像 85
6.3.5 分析與討論 87
6.4 GA-SIFT算法基本原理 89
6.4.1 尺度空間極值點提取 90
6.4.2 極值點準確定位 90
6.4.3 特征點主方向確定 91
6.4.4 生成SIFT描述符并進行特征匹配 92
6.4.5 參數(shù)遺傳算法尋優(yōu) 93
6.5 自適應BEMD-GA-SIFT算法的圖像特征提取 94
6.6 自適應BEMD分解多尺度協(xié)調(diào)與融合 95
6.6.1 自適應BEMD分解過程多尺度協(xié)調(diào) 95
6.6.2 自適應BEMD分解過程BEMF個數(shù)多尺度協(xié)調(diào) 95
6.6.3 基于自適應BEMD的多尺度自協(xié)調(diào)圖像融合原理 96
6.7 基于自適應BEMD-GA-SIFT算法圖像特征提取實例分析 97
6.7.1 實驗一 97
6.7.2 實驗二 99
6.7.3 實驗三 100
6.7.4 實測環(huán)境圖像實驗 105
6.8 基于自適應BEMD的圖像融合實例分析 107
6.8.1 實驗一 107
6.8.2 實驗二 108
6.8.3 實驗三 109
6.8.4 分析與討論 110
6.9 基于自適應BLMD-GA-SIFT的圖像特征提取算法 111
6.10 基于自適應BLMD-GA-SIFT算法的圖像特征提取實例分析 112
6.10.1 實驗一 112
6.10.2 實驗二 115
6.10.3 實驗三 116
第7章 基于深度學習的應用研究 120
7.1 引言 120
7.2 基于深度學習的時空特征學習 122
7.2.1 視頻序列行為跟蹤 123
7.2.2 視頻塊形狀特征 123
7.2.3 多限制玻爾茲曼機神經(jīng)網(wǎng)絡層 125
7.2.4 時空特征 126
7.3 基于Maxout激活函數(shù)的模型參數(shù)自適應初始化方法 127
7.3.1 模型參數(shù)初始化方法 127
7.3.2 基于Maxout激活函數(shù)的模型參數(shù)自適應初始化方法 127
7.4 基于SVM的行為識別分類器 131
7.5 實例分析 132
7.5.1 UCF Sports行為數(shù)據(jù)庫 132
7.5.2 KTH行為數(shù)據(jù)庫 136
7.5.3 sub-JHMDB行為數(shù)據(jù)庫 139
第8章 基于自適應小波的圖像加密應用研究 142
8.1 連續(xù)小波變換 142
8.2 離散小波變換 143
8.3 小波的多分辨率分析與Mallat算法 143
8.3.1 小波的多分辨率分析 144
8.3.2 Mallat算法 146
8.4 基于提升的小波變換 148
8.5 二維圖像小波變換 149
8.6 加密方案設計 150
8.7 基于提升算法的9/7小波變換 152
8.8 提升小波變換的自適應優(yōu)化 153
8.9 混沌映射置亂低頻系數(shù) 154
8.10 自適應循環(huán)加密 155
8.11 加密與解密算法實現(xiàn)步驟 158
8.12 仿真實驗結果及密鑰安全性分析 160
8.12.1 SHA-1密鑰對明文圖像的敏感性分析 161
8.12.2 統(tǒng)計特性分析 162
8.12.3 密鑰空間分析 167
8.12.4 密鑰敏感性分析 167
參考文獻 168
書單推薦
