目录 1
第1章 模式识别的基本概念 1
1.1 模式识别的基本概念 1
1.2 图像识别 5
1.3 位图基础 7
1.3.1 数字图像的基本概念 7
1.3.2 BMP文件结构 9
1.3.3 CDib类库的建立 11
小结 18
习题 18
第2章 分类器设计 19
2.1 特征空间优化设计问题 19
2.2 分类器设计准则 21
2.3 分类器设计基本方法 24
2.4 判别函数 25
2.5 分类器的选择 27
2.6 训练与学习 28
小结 29
习题 29
第3章 模板匹配分类器 30
3.1 特征类设计 30
3.2 待测样品特征提取 35
3.3 训练集特征库的建立 37
3.4 模板匹配分类法 39
小结 42
习题 42
4.1.1 Bayes决策所讨论的问题 43
4.1 Bayes决策的基本概念 43
第4章 基于概率统计的Bayes分类器 43
4.1.2 Bayes公式 44
4.2 基于最小错误率的Bayes决策 46
4.3 基于最小风险的Bayes决策 49
4.4 Bayes决策比较 51
4.5 基于二值数据的Bayes分类实现 52
4.6 基于最小错误率的Bayes分类实现 55
4.7 基于最小风险的Bayes分类实现 59
小结 64
习题 64
第5章 几何分类器 65
5.1 几何分类器的基本概念 65
5.2 线性判别函数 66
5.4 感知器算法 70
5.3 线性判别函数的实现 70
5.5 增量校正算法 78
5.6 LMSE验证可分性 85
5.7 LMSE分类算法 91
5.8 Fisher分类 95
5.9 线性分类器实现分类的局限性 101
5.10 非线性判别函数 103
5.11 分段线性判别函数 105
5.12 势函数法 108
小结 114
习题 114
第6章 神经网络分类器 115
6.1 人工神经网络的基本原理 115
6.1.1 人工神经元 115
6.1.3 神经网络的学习过程 118
6.1.2 人工神经网络模型 118
6.1.4 人工神经网络在模式识别问题上的优势 119
6.2 BP网络设计 120
6.2.1 三层BP网络学习算法 121
6.2.2 BP网络设计需要考虑的问题 123
6.3 神经网络分类器设计 125
小结 134
习题 134
第7章 图像分割与特征提取 135
7.1 聚类简介 135
7.2 图像阈值分割 138
7.2.1 直方图门限选择阈值 139
7.2.2 半阈值选择分割 141
7.3 图像的标识及特征提取 143
7.4 图像的轮廓提取 151
7.5 图像的测量 156
7.5.1 二值图像的区域面积测量 156
7.5.2 二值图像的周长测量 157
小结 158
习题 158
第8章 聚类分析 159
8.1 聚类的设计 159
8.2 模式相似性测量 161
8.3 基于试探的未知类别聚类算法 167
8.3.1 最临近规则的试探法 167
8.3.2 最大最小距离算法 172
8.4 层次聚类算法 175
8.4.1 最短距离法 176
8.4.2 最长距离法 180
8.4.3 中间距离法 184
8.4.4 重心法 189
8.4.5 类平均距离法 193
8.5 动态聚类算法 201
8.5.1 K均值算法 202
8.5.2 迭代自组织的数据分析算法（ISODATA） 205
小结 213
习题 213
第9章 模糊聚类分析 214
9.1 模糊集的基本概念 214
9.2 模糊集运算 217
9.2.1 模糊子集运算 217
9.2.2 模糊集运算性质 218
9.3 模糊关系 218
9.4 模糊集在模式识别中的应用 223
9.5 模糊聚类分析 224
小结 240
习题 240
第10章 遗传算法聚类分析 241
10.1 遗传算法基本概念 241
10.2 遗传算法的构成要素 243
10.2.1 染色体的编码 243
10.2.2 适应度函数 244
10.2.3 遗传算子 245
10.3 控制参数的选择 247
10.4 基于遗传算法的聚类分析 247
小结 266
习题 266
附录A 几种主要矩阵运算的程序代码 267
参考文献 275