第1章 绪论 1
1.1 关于计算智能 1
1.1.1 软计算与计算智能 1
1.1.2 从传统人工智能到计算智能 2
1.1.3 从传统智能信息处理到计算智能信息处理 3
1.2 智能信息处理的软计算方法 4
第2章 数字图像预处理基本技术 22
2.1 数字图像的基本概念 22
2.2 噪声滤波 28
2.3 图像增强 31
2.3.1 空城法 32
3.3.2 频城法 37
2.4 图像恢复 38
第3章 数字图像的模糊增强方法 41
3.1 图像模糊特征平面 41
3.2 基于模糊集的图像增强方法 44
3.2.1 图像增强的技术方案 44
3.2.2 图像增强算法 45
3.3 实验结果及分析讨论 46
4.1 粗糙集理论 48
第4章 基于粗糙集理论的图像增强方法 48
4.2 基于粗糙集的图像增强方法 53
4.2.1 基于不可分辨关系的子图划分 53
4.2.2 粗糙集增强算法 54
4.2.3 图像增强实验 55
4.3 人眼视觉特性和粗糙集相结合的图像预处理方法 57
4.3.1 预处理算法 58
4.3.2 实验结果和分析 61
5.1 遗传算法简介 63
第5章 遗传算法在图像恢复中的应用 63
5.1.1 遗传算法分析 64
5.1.2 遗传算子 67
5.1.3 遗传算法的理论基础 70
5.1.4 遗传算法的基本特征 72
5.2 基于遗传算法的图像恢复方法 74
5.2.1 二维染色体编码 74
5.2.2 遗传算法的实现 76
5.2.3 实验结果和讨论 78
5.3.1 问题的描述 80
5.3 遗传操作的一般性算子及图像恢复处理 80
5.3.2 遗传操作的一般性算子 82
5.3.3 图像恢复处理实验 83
5.4 模糊方法与遗传算法相结合的图像恢复 87
5.4.1 模糊遗传算法的实现 88
5.4.2 实验结果和分析讨论 91
第6章 数字图像压缩编码基础 94
6.1 引言 94
6.1.1 数字图像压缩的必要性和可能性 94
6.1.2 压缩编码方法的分类及应用 97
6.1.3 图像压缩的评价准则 99
6.2 图像压缩编码的方法和标准 101
6.2.1 图像压缩编码的经典方法 101
6.2.2 图像压缩编码的现代方法 109
6.2.3 经典压缩编码方法的国际标准 112
6.2.4 新的国际标准--MPEG-4 123
第7章 神经网络图像压缩编码 135
7.1 神经网络非线性预测编码 136
7.2.1 竞争学习网络矢量量化编码 139
7.2 神经网络矢量量化方法 139
7.2.2 自组织特征映射网络矢量量化编码 141
7.2.3 改进的自组织特征映射网络矢量量化编码 150
7.2.4 边缘属性粗糙集分类的矢量量化编码 154
7.2.5 DCT域属性粗糙集分类的矢量量化编码 163
7.2.6 空域属性粗糙集分类的矢量量化编码 167
7.2.7 对向传播网络矢量量化编码 171
7.3 神经网络变换编码 172
7.3.1 Hopfield网络变换编码 172
7.3.2 盖保变换编码 174
第8章 信息融合压缩编码 178
8.1 极低码速率下工业视频图像压缩编码的特点分析 178
8.1.1 极低码速率下工业视频图像压缩编码中的问题 178
8.1.2 工业视频图像的特点分析 180
8.2 信息融合编码方法压缩工业视频图像 185
8.2.1 引言 185
8.2.2 多传感器信息融合技术 187
8.2.3 基于“背景区/运动区”模型的信息融合压缩编码 192
参考文献 200