自然計(jì)算及其圖像處理與分析應(yīng)用

第1章 緒論
1．1 從人工智能到自然計(jì)算
1．2 自然計(jì)算概述
1．2．1 自然計(jì)算的基本概念
1．2．2 經(jīng)典自然計(jì)算研究分支和主要應(yīng)用領(lǐng)域
1．2．3 自然計(jì)算的最新發(fā)展和混合自然算法
1．3 圖像處理和分析概述
1．3．1 圖像處理的基本內(nèi)容概述
1．3．2 圖像分析的關(guān)鍵技術(shù)概述
1．3．3 自然計(jì)算在圖像處理和分析中的應(yīng)用研究現(xiàn)狀
1．4 本書主要研究內(nèi)容和結(jié)構(gòu)

上篇
第2章 蟻群算法概述
2．1 蟻群覓食行為和蟻群覓食策略
2．1．1 蟻群覓食行為
2．1．2 自然優(yōu)化——二元橋?qū)嶒?yàn)
2．2 蟻群算法的基本概念、過程和特征
2．2．1 蟻群算法的基本思想
2．2．2 螞蟻系統(tǒng)一蟻群算法的原型
2．2．3 人工蟻群算法的實(shí)現(xiàn)過程
2．3 算法的收斂性
2．4 基本蟻群算法的改進(jìn)及與其他算法融合
2．4．1 帶精英策略的螞蟻系統(tǒng)
2．4．2 蟻群系統(tǒng)及其他改進(jìn)和融合算法
2．5 蟻群優(yōu)化與其他算法的關(guān)系
2．6 二進(jìn)制蟻群算法
2．6．1 基本二進(jìn)制蟻群算法模型
2．6．2 二進(jìn)制蟻群算法同解決TSP問題的ACO比較
2．7 蟻群算法展望
第3章 螢火蟲算法概述
3．1 螢火蟲算法的基本原理
3．2 螢火蟲算法的數(shù)學(xué)描述
3．3 標(biāo)準(zhǔn)螢火蟲算法優(yōu)缺點(diǎn)
3．4 改進(jìn)的螢火蟲算法
3．4．1 分簇策略
3．4．2 萊維飛行
3．4．3 CBLFA實(shí)現(xiàn)
3．5 仿真測試比較
第4章 萬有引力算法概述
4．1 萬用引力算法基本原理
4．2 改進(jìn)萬有引力算法
4．2．1 混沌映射
4．2．2 萊維飛行
4．2．3 二進(jìn)制編碼形式
4．2．4 算法基本流程
4．3 算法性能測試
第5章 其他常用優(yōu)化算法及函數(shù)優(yōu)化性能測試
5．1 常用進(jìn)化算法概述
5．1．1 遺傳算法概述
5．1．2 差分進(jìn)化算法概述
5．2 其他常用群集智能優(yōu)化算法概述
5．2．1 人工蜂群算法概述
5．2．2 杜鵑搜索算法概述
5．2．3 蝙蝠算法概述
5．2．4 水波優(yōu)化算法
5．2．5 煙花算法
5．3 部分算法的仿真測試比較及I生能分析
5．3．1 遺傳算法仿真測試及性能分析
5．3．2 差分進(jìn)化算法仿真測試及性能分析
5．3．3 粒子群算法仿真測試及性能分析
5．3．4 人工蜂群算法仿真測試及性能分析
5．3．5 杜鵑搜索算法仿真測試及性能分析
5．3．6 螢火蟲算法仿真測試及性能分析
5．3．7 算法的性能比較

下篇
第6章 基于自然計(jì)算的圖像增強(qiáng)
6．1 圖像增強(qiáng)概述
6．2 基于蟻群優(yōu)化算法的模糊圖像增強(qiáng)方法
6．2．1 基本圖像模糊增強(qiáng)算法
6．2．2 基于直方圖特征的圖像模糊增強(qiáng)算法
6．2．3 基于BACO的模糊參數(shù)自適應(yīng)選取
6．2．4 圖像自適應(yīng)增強(qiáng)的試驗(yàn)與分析
6．3 基于ICS算法的非完全Beta函數(shù)圖像增強(qiáng)方法
6．4 基于CBLFA歸一化的非完全Beta函數(shù)增強(qiáng)圖像方法
6．4．1 算法設(shè)計(jì)思路
6．4．2 算法設(shè)計(jì)實(shí)驗(yàn)結(jié)果與分析
6．5 基于BA改進(jìn)的非完全Beta函數(shù)圖像增強(qiáng)方法
6．5．1 蝙蝠算法用于歸一化的非完全Beta函數(shù)參數(shù)自適應(yīng)選取
6．5．2 仿真實(shí)驗(yàn)與結(jié)果分析
第7章 基于自然計(jì)算的圖像聚類分割方法
7．1 C-Means算法概述
7．2 基于ACO聚類的圖像分割方法
7．2．1 基于ACO聚類的圖像分割方法模型
7．2．2 基于ACO聚類的圖像分割方法模型實(shí)驗(yàn)結(jié)果與分析
7．3 Fuzzy C-Means算法概述
7．4 基于蝙蝠算法改進(jìn)Fuzzy C-Means分割方法
7．4．1 基于蝙蝠算法改進(jìn)Fuzzy C-Means分割方法基本思路
7．4．2 實(shí)驗(yàn)結(jié)果和分析
第8章 基于自然計(jì)算的單閾值圖像分割方法
8．1 圖像閾值化分割概述
8．1．1 常用單閾值圖像分割方法
8．1．2 常用的二維直方圖閾值分割方法
8．2 基于蟻群算法優(yōu)化的圖像一維閾值方法
8．2．1 基于蟻群算法優(yōu)化的圖像一維閾值化方法數(shù)學(xué)模型
8．2．2 基于蟻群算法優(yōu)化的圖像一維閾值化方法實(shí)驗(yàn)仿真和分析
8．3 基于ICS優(yōu)化的最大模糊熵的單閾值分割法
8．3．1 最大模糊熵閾值法數(shù)學(xué)模型
8．3．2 基于ICS算法優(yōu)化的最大模糊熵圖像閾值分割方法
8．3．3 算法實(shí)驗(yàn)仿真與分析
8．4 基于二維直方圖的閾值分割法
8．4．1 基于ICS改進(jìn)的二維Fisher準(zhǔn)則閾值分割法
8．4．2 基于ICS優(yōu)化的二維最大Kapur熵閾值分割法
8．4．3 基于ICS優(yōu)化的二維最小交叉熵閾值分割法
8．4．4 基于CBLFA優(yōu)化的二維直方圖的Otsu閾值分割方法
第9章 基于自然計(jì)算的多閾值圖像分割方法
9．1 圖像多閾值化分割概述
9．1．1 常用的基于一維直方圖的多閾值圖像分割算法
9．1．2 基于三維直方圖的Otsu閾值分割方法
9．2 基于ICS和最大模糊熵的多閾值分割法
9．2．1 基于ICS優(yōu)化最大模糊熵的多閾值步驟
9．2．2 基于ICS優(yōu)化最大模糊熵的多閾值實(shí)驗(yàn)仿真與分析
9．3 基于FA優(yōu)化的多維閾值分割法
9．3．1 基于FA優(yōu)化Otsu的多閾值分割方法
9．3．2 基于FA優(yōu)化的最小交叉熵多閾值圖像分割方法
9．4 基于CBLFA優(yōu)化Otsu的多閾值分割法
9．5 基于CBLFA優(yōu)化三維直方圖的Otsu閾值分割方法
第10章 基于自然計(jì)算的圖像匹配和圖像融合方法
10．1 圖像匹配和圖像融合概述
10．2 基于灰色關(guān)聯(lián)分析和水波優(yōu)化的快速圖像配準(zhǔn)方法
10．3 基于水波優(yōu)化Contourlet變換的圖像融合方法
10．3．1 Contourlet變換概述
10．3．2 傳統(tǒng)的基于Contourlet變換的圖像融合算法
10．3．3 提出優(yōu)化的Contourlet變換的圖像融合方法
第11章 基于自然計(jì)算的紋理特征抽取方法
11．1 圖像紋理特征概述
11．2 基于“Tuned”模板圖像紋理特征提取模型
11．3 基于BACO的“Tuned”模板的優(yōu)化方法
11．3．1 基于BACO的“Tuned”模板的優(yōu)化算法模型
11．3．2 實(shí)驗(yàn)與分析
11．4 產(chǎn)生“Tuned”模板的混沌粒子群算法
11．4．1 產(chǎn)生“Tuned”模板粒子群算法思路
11．4．2 產(chǎn)生“Tuned”模板的混沌粒子群算法
11．5 產(chǎn)生“Tuned”模板的改進(jìn)杜鵑搜索算法
11．5．1 基于ICS算法的“Tuned”模板紋理特征抽取思路
11．5．2 實(shí)驗(yàn)仿真與分析
11．6 基于GSA的“Tuned”紋理模板優(yōu)化和居民地識別
11．6．1 公共數(shù)據(jù)集紋理圖像的實(shí)驗(yàn)
11．6．2 真實(shí)遙感圖像分類實(shí)驗(yàn)
第12章 基于自然計(jì)算的圖像特征選擇方法
12．1 特征提取和選擇概述
12．2 基于ACO特征選擇方法
12．2．1 基于ACO特征選擇方法模型構(gòu)建
12．2．2 特征選擇試驗(yàn)和分析
12．3 基于ICS的遙感圖像特征選擇
12．3．1 基于ICS算法的遙感圖像特征選擇基本思路
12．3．2 基于ICS算法的遙感圖像特征選擇實(shí)驗(yàn)仿真與分析
12．4 基于煙花算法的小波紋理特征選擇
12．4．1 Gabor小波變換簡介
12．4．2 煙花算法在特征選擇中的應(yīng)用
12．4．3 實(shí)驗(yàn)對比和分析
12．5 基于Relief算法和Gabor變換的紋理分類方法
12．5．1 相關(guān)理論概述
12．5．2 基于Relief算法的Gabor紋理特征提取方法
12．5．3 實(shí)驗(yàn)結(jié)果與分析
第13章 基于自然計(jì)算的圖像分類器優(yōu)化構(gòu)建
13．1 圖像分類算法概述
13．2 支持向量機(jī)分類器
13．2．1 支持向量機(jī)概述
13．2．2 支持向量機(jī)理論基礎(chǔ)
13．3 基于ICS算法和支持向量機(jī)的遙感圖像分類方法
13．3．1 支持向量機(jī)參數(shù)優(yōu)化概述
13．3．2 基于ICS算法的SVM參數(shù)優(yōu)化過程
13．3．3 實(shí)驗(yàn)仿真與分析
13．4 基于雜交水稻算法優(yōu)化ELM的紋理圖像分類方法
13．4．1 極限學(xué)習(xí)機(jī)概述
13．4．2 基于雜交水稻算法的極限學(xué)習(xí)機(jī)參數(shù)優(yōu)化方法
13．4．3 實(shí)驗(yàn)結(jié)果和分析
參考文獻(xiàn)