互聯(lián)網(wǎng)圖像處理與過濾技術(shù)
定 價:42 元
- 作者:萬月亮 著
- 出版時間:2012/8/1
- ISBN:9787118082982
- 出 版 社:國防工業(yè)出版社
- 中圖法分類:TN919.8
- 頁碼:156
- 紙張:膠版紙
- 版次:1
- 開本:32開
《互聯(lián)網(wǎng)圖像處理與過濾技術(shù)》是關(guān)于互聯(lián)網(wǎng)圖像數(shù)據(jù)處理技術(shù)與過濾技術(shù)領(lǐng)域的一部專著。書中總結(jié)了近年來,在這一領(lǐng)域的研究進展及作者的研究成果。全書由5章組成,第一章緒論,介紹本書研究背景;第二章圖像邊緣檢測,論述了基于有限元邊緣融合的圖像邊緣檢測方法;第二章圖像輪廓視覺編組,分析論述了視覺組織的輪廓生成算法;第四章基于膚色特征的互聯(lián)網(wǎng)圖像過渡,闡述了敏感圖像的膚色檢測模型;第五章圖像檢測與互聯(lián)網(wǎng)檢測,結(jié)合網(wǎng)頁結(jié)構(gòu)化內(nèi)容和視覺特征,提出了一種基于監(jiān)聽方式互聯(lián)網(wǎng)監(jiān)測原型系統(tǒng)。
《互聯(lián)網(wǎng)圖像處理與過濾技術(shù)》可供從事互聯(lián)網(wǎng)多媒體信息處理、網(wǎng)絡(luò)信息安全等專業(yè)的科技人員閱讀和參考借鑒。
第1章 緒論
1.1 研究背景
1.2 主要內(nèi)容與組織
第2章 圖像邊緣檢測
2.1 引言
2.2 邊緣檢測的研究現(xiàn)狀
2.3 基于有限元邊緣融合算法
2.3.1 問題的提出
2.3.2 小波變換圖像邊緣包絡(luò)帶
2.3.3 有限元模型以及逼近準則
2.3.4 自適應(yīng)網(wǎng)格規(guī)劃
2.3.5 多尺度邊緣融合準則
2.3.6 實驗結(jié)果及分析
2.4 本章小節(jié)
2.4.1 邊緣檢測存在的問題
2.4.2 邊緣檢測的發(fā)展趨勢
參考文獻
第3章 圖像輪廓視覺編組
3.1 引言
3.2 視知覺編組理論
3.2.1 格式塔準則
3.2.2 大范圍優(yōu)先準則
3.3 輪廓編組研究現(xiàn)狀
3.3.1 輪廓編組線索
3.3.2 輪廓編組優(yōu)化過程
3.4 基于大范圍優(yōu)先的圖像編組模型
3.4.1 圖像主要邊緣集
3.4.2 基于大范圍優(yōu)先的層次編組模型
3.4.3 編組準則量化及相關(guān)性分析
3.4.4 實驗結(jié)果
3.5 本章小節(jié)
參考文獻
第4章 基于膚色特征的互聯(lián)網(wǎng)圖像過濾
4.1 引言
4.2 不良圖像研究現(xiàn)狀
4.3 膚色模型研究現(xiàn)狀
4.3.1 自適應(yīng)膚色檢測模型
4.3.3 非參數(shù)化膚色檢測模型
4.3.3 膚色顏色空間
4.4 基于最大熵模型的敏感圖像檢測
4.4.1 最大熵模型
4.4.2 特征選擇
4.4.3 參數(shù)估計
4.4.4 膚色區(qū)域特征提取
4.5 SVM分類器的選擇與設(shè)計
4.5.1 一類SVM
4.5.2 訓(xùn)練數(shù)據(jù)修剪
4.6 實驗結(jié)果
4.7 本章小節(jié)
參考文獻
第5章 圖像檢索與互聯(lián)網(wǎng)監(jiān)測
5.1 引言
5.1.1 互聯(lián)網(wǎng)內(nèi)容過濾模式
5.1.2 聯(lián)網(wǎng)內(nèi)容過濾方法
5.2 跨媒體數(shù)據(jù)處理
5.2.1 圖像特征
5.2.2 紋理特征
5.2.3 目標(biāo)輪廓特征
5.2.4 網(wǎng)頁結(jié)構(gòu)化信息和文本預(yù)處理
5.2.5 網(wǎng)絡(luò)跨媒體處理
5.3 互聯(lián)網(wǎng)監(jiān)測原型系統(tǒng)
5.3.1 互聯(lián)網(wǎng)監(jiān)測模型
5.3.2 特征選取
5.3.3 基于決策樹的網(wǎng)頁分類
5.4 實驗結(jié)果
5.4.1 關(guān)鍵宇傾向識別
5.5 本章小節(jié)
參考文獻
2.特定優(yōu)化算法
特定優(yōu)化算法是用于編組這一特定問題的優(yōu)化算法,如譜聚類(Spectual Clustering),也稱為圖像分割方法,是編組中常用的方法。其將圖像元素的關(guān)系表示為加權(quán)圖,以元素為頂點,元素間的關(guān)聯(lián)程度(線索)為相應(yīng)的邊權(quán)值?蛇M一步把這種圖對應(yīng)為關(guān)系矩陣,矩陣的第i行第j列表示頂點i和j之間的權(quán),最大化結(jié)合或者聚類概率得到的生成圖對應(yīng)于最終的編組。生成圖中每一個分割子圖對應(yīng)于一個獨立的目標(biāo)。圖分割方法采用的優(yōu)化過程是譜聚類,即根據(jù)矩陣的前幾個最大特征向量將構(gòu)成矩陣的向量劃分為不同的類。這里的矩陣是指關(guān)系矩陣或者關(guān)系矩陣函數(shù),譜是指數(shù)據(jù)相關(guān)性的二階統(tǒng)計量所表示的數(shù)據(jù)能量譜。按照關(guān)系矩陣的不同函數(shù)形式和所取特征向量的個數(shù)與順序(可能取最大特征向量也可能取最小特征向量),圖分割又可分為最小切分(Mini-Cut)、平均切分(Average Cut)和歸一化切分(Normalized Cut)[34]。圖分割方法在絕大多數(shù)情況下能獲取較滿意的編組效果,尤其是歸一化切分,對于紋理圖像也能取得較好的效果。存在的問題是,對圖元素間的全局關(guān)系描述不足,通過對圖切分來獲得全局顯著結(jié)構(gòu),導(dǎo)致編組結(jié)果較粗糙。尤其是在目標(biāo)與背景的分界模糊的情況下計算量大,圖像分割可能是一個NP-Hard問題。參考文獻[35]用稀松矩陣表示接近律、連續(xù)律和相似律為線索構(gòu)建編組線索,采用最大特征向量作為編組種子,以遞歸方式獲取輪廓。參考文獻[9]以稀疏圖中節(jié)點表示邊緣,以邊緣對閉合支持度表示弧的權(quán)重,采用笛杰斯特拉算法計算有向圖中的環(huán)來尋找閉合輪廓。參考文獻[36]采用輪廓比值從噪聲圖像中抽取顯著性封閉輪廓,顯著性度量采用格式塔接近性、連續(xù)性和封閉性度量。
……