第一章 导引 1
1.1 图象识别简介 1
1.2 统计图象识别的基本概念及数学知识准备 9
1.3 图象识别的几个简单方法 15
1.4 几点说明 31
参考文献 32
第二章 Bayes统计判决 34
2.1 引言 34
2.2 Bayes统计判决准则 38
2.2.1 最小平均损失 39
2.2.2 Bayes判决准则 41
2.3 Bayes判决的应用 46
2.3.1 两类问题在正态分布情况下的研究 47
2.3.2 多类问题在正态分布情况下的研究 58
2.3.3 统计参数的估计 60
2.3.4 农作物分类的例 73
2.3.5 正规指数密度分布的研究 76
2.4 Neyman-Pearson判决准则 85
2.5 损失函数的其他取法 97
附录Ⅰ 正态分布的数学期望及协方差矩阵 102
附录Ⅱ 正态分布的线性函数 103
参考文献 106
第三章 统计图象识别的其他方法 108
3.1 Fisher判决准则 108
3.2 Wald序贯判决准则 112
3.3 概率密度函数的估计 117
3.3.1 直接估计概率密度函数 117
3.3.2 直接逼近概率密度函数 130
3.4 图象识别的几个非参数法的介绍 149
3.4.1 线性规划法 149
3.4.2 选代法 158
3.5 聚类分析法简介 170
附录 概率密度函数的进一步研究 175
参考文献 183
第四章 特性提取与特征选择 186
4.1 特性提取 186
4.2 有限Karhunen-Loéve变换 190
4.3 Walsh变换 201
4.4 特征选择的F方法 204
4.5 发散度Chernoff界限与Bhattacharyya界限 214
4.6 后验概率密度函数的Lα距离与最小概率误差的界限 226
4.7 树分类器与特征选择 234
4.8 Walsh变换进一步论述 240
参考文献 261
第五章 图象识别的语言结构法 264
5.1 语言结构文法识别图象的大意 264
5.2 各种描述图象的短语结构文法简介 270
5.3 其他描述图象的文法 278
5.3.1 程序文法 278
5.3.2 各种高维文法的大意 280
5.4 剖析算法与误差修正剖析算法介绍 287
5.5 基元选择和语法推导 300
5.6 一个例子 307
参考文献 312
第六章 模糊集论及其在图象识别中的应用简介 313
6.1 背景与概念 313
6.2 模糊集的定义 314
6.3 模糊集的运算 315
6.4 模糊关系 318
6.5 模糊语言和算法 323
6.6 利用模糊集论作图象识别的两个例子 328
参考文献 333