圖像處理與三維可視化

第1章 緒論
1.1 圖像處理
1.1.1 概述
1.1.2 圖像處理的發(fā)展和應(yīng)用
1.1.3 圖像處理的關(guān)鍵技術(shù)
1.1.4 圖像數(shù)字化
1.2 三維可視化
1.2.1 三維可視化原理
1.2.2 三維可視化的應(yīng)用
1.2.3 三維數(shù)據(jù)模型與可視化算法
1.2.4 三維可視化的實現(xiàn)過程
1.3 數(shù)字城市與三維GIS
1.3.1 概述
1.3.2 數(shù)字城市的關(guān)鍵技術(shù)
1.3.3 城市景觀三維抽象
1.3.4 城市特征地物可視化
1.3.5 地形三維可視化
1.3.6 三維GIS
1.3.7 三維空間查詢與分析
本章參考文獻
第2章 圖像分割
2.1 引言
2.1.1 參數(shù)活動輪廓模型
2.1.2 幾何活動輪廓模型
2.2 水平集方法及其快速算法
2.2.1 曲線演化理論
2.2.2 水平集方法
2.2.3 水平集方法的快速實現(xiàn)
2.3 基于梯度信息混合lbf的幾何活動輪廓模型
2.3.1 基于水平集的幾何活動輪廓模型的特點
2.3.2 參數(shù)活動輪廓模型與幾何活動輪廓模型之間的關(guān)系
2.3.3 基于梯度混合LBF的幾何活動輪廓模型
2.3.4 實驗結(jié)果與分析
2.4 對基于梯度信息幾何活動輪廓模型的改進
2.4.1 基于梯度信息的幾何活動輪廓模型
2.4.2 改進的模型
2.4.3 模型的數(shù)值實現(xiàn)
2.4.4 實驗結(jié)果與分析
2.5 集成的變分水平集圖像分割模型
2.5.1 幾何活動輪廓模型及變分法
2.5.2 邊緣檢測模型
2.5.3 集成的活動輪廓模型
2.5.4 實驗結(jié)果與分析
2.6 本章小結(jié)
本章參考文獻
第3章 圖像融合與目標識別
3.1 多源圖像融合
3.1.1 圖像融合基本概念
3.1.2 多源圖像融合的目標識別
3.1.3 基于多源圖像目標識別的流程
3.1.4 圖像融合處理層次
3.2 圖像增強
3.2.1 直方圖
3.2.2 圖像銳化處理
3.3 紋理分析
3.3.1 紋理特征
3.3.2 Gabor變換
3.3.3 小波變換
3.4 基于小波的圖像融合
3.4.1 基于PCA的低頻融合.
3.4.2 高頻融合
3.5 圖像的特征提取與選擇
3.5.1 圖像橢圓的形狀特征
3.5.2 特征評價與選擇
3.6 圖像目標識別技術(shù)
3.6.1 貝葉斯判據(jù)
3.6.2 最小距離分類器
3.6.3 K-近鄰分類器
本章參考文獻
第4章 可視化技術(shù)及實現(xiàn)
4.1 概述
4.1.1 可視化技術(shù)的產(chǎn)生
4.1.2 可視化的研究內(nèi)容及意義
4.1.3 可視化的分類
4.1.4 可視化的應(yīng)用
4.2 數(shù)據(jù)可視化的方法
4.2.1 二維可視化方法
4.2.2 三維可視化方法
4.2.3 矢量場可視化方法
4.2.4 基于動畫的可視化方法
4.3 可視化流程
4.3.1 可視化的一般流程
4.3.2 洪災(zāi)經(jīng)濟損失率可視化分析流程
本章參考文獻
第5章 支持向量機及在圖像處理中的應(yīng)用
5.1 引言
5.2 統(tǒng)計學習理論
5.2.1 機器學習問題及其方法
5.2.2 學習過程一致性
5.2.3 VC維
5.2.4 推廣性的界
5.2.5 結(jié)構(gòu)風險最小化理論
5.3 支持向量機
5.3.1 支持向量機基本思想
5.3.2 核函數(shù)
5.3.3 支持向量機解決多分類問題
5.3.4 支持向量機算法研究
5.3.5 支持向量機的特點
5.4 數(shù)字圖像處理技術(shù)
5.4.1 圖像特征描述
5.4.2 數(shù)字圖像處理的主要內(nèi)容
5.4.3 數(shù)字圖像處理技術(shù)應(yīng)用及發(fā)展
5.5 支持向量機在圖像處理方面的應(yīng)用
5.5.1 圖像識別
5.5.2 圖像增強
5.5.3 圖像分割
5.5.4 其他領(lǐng)域
本章參考文獻
第6章 圖像與三維可視化模型
6.1 計算機圖形圖像標準
6.1.1 計算機圖形標準OpenGL
6.1.2 SVG圖像標準
6.1.3 三維模型vrml標準
6.2 圖形圖像和模型的存儲與訪問
6.2.1 圖形圖像的存儲
6.2.2 圖形圖像的分布式存儲與展示
6.3 虛擬城市的三維建模技術(shù)
6.3.1 手動建模
6.3.2 半自動化建模
6.3.3 全自動化建模
6.4 基于分布式環(huán)境的三維模型標準
6.4.1 WebGL
6.4.2 COLLADA
6.4.3 U3D
本章參考文獻
第7章 圖像處理在書畫作品中的應(yīng)用
7.1 引言
7.2 中國書畫的特征分析
7.2.1 中國書畫的色彩
7.2.2 中國書畫作品的技法
7.3 書畫印章的特征分析
7.3.1 印章的歷史、流派
7.3.2 印章的章法、文法
7.3.3 印章的邊格
7.3.4 印章的顏色特征和結(jié)構(gòu)特征
7.4 一種基于結(jié)構(gòu)特征的書畫印章提取系統(tǒng)模型
7.5 基于機器學習的中國書畫顏色層析模型
7.5.1 中國書畫顏色分層的先驗知識
7.5.2 建立中國書畫顏色分層原始描述模型
7.5.3 模型的測試與應(yīng)用
7.5.4 基于機器學習的模型優(yōu)化
7.5.5 基于顏色分類的中國畫分層分割
7.6 印章的提取
7.6.1 基于數(shù)學形態(tài)學的區(qū)域合并
7.6.2 基于結(jié)構(gòu)特征的印章提取
7.6.3 實驗結(jié)果分析
7.7 基于機器學習的印章語義標注方法
7.7.1 印章圖像的預(yù)處理
7.7.2 語義特征提取和標注
本章參考文獻
第8章 遙感圖像分類技術(shù)
8.1 遙感圖像分類概論
8.1.1 TM遙感圖像的格式及特點
8.1.2 模式分類的一般步驟
8.2 分類算法的實現(xiàn)技術(shù)
8.2.1 主成分分析算法
8.2.2 最小距離法和最大似然估計法
8.2.3 一階范數(shù)軟間隔分類器
8.2.4 SMO算法的實現(xiàn)技術(shù)
8.3 分類實驗的設(shè)計與算法實現(xiàn)
8.3.1 整體設(shè)計
8.3.2 樣本采集
8.3.3 訓練與分類
8.3.4 圖像顯示
8.4 分類結(jié)果的評價
8.4.1 實驗區(qū)地面資料分析
8.4.2 三種核函數(shù)的分類結(jié)果比較
8.4.3 與其他分類算法的結(jié)果比較
8.4.4 分析和總結(jié)
本章參考文獻