高等學校計算機科學與技術教材‧圖像模式識別：VC++技術實現（附光盤）

本書介紹圖像模式識別的各種算法及其編程實現步驟。全書共分為10章，內容包括：模式識別的基本概念，位圖的基礎知識，分類器設計，模板匹配分類器，基於概率統計的Bayes分類器，幾何分類器，神經網絡分類器，圖像分割與特徵提取，聚類分析，模糊聚類分析，遺傳算法聚類分析。
　　本書實用性強，選材新穎，包括了神經網絡、模糊集理論、遺傳算法等新技術，針對每一種模式識別技術，書中分為理論基礎、實現步驟、編程代碼三部分，所有算法都用VC++編程實現，程序結構簡單，代碼簡潔，便於初學者很快掌握模式識別技術。
　　本書可作為高等院校計算機工程、信息工程、生物醫學工程、智能機器人學、工業自動化、模式識別等學科本科生、研究生的教材或教學參考書，亦可供有關工程技術人員參考。

　　‧原理與技術的完美結合
　　‧教學與科研的最新成果
　　‧語言精練，實例豐富
　　‧可操作性強，實用性突出

第1章 模式識別的基本概念
1.1 模式識別的基本概念
1.2 圖像識別
1.3 位圖基礎
小結
習題

第2章 分類器設計
2.1 特徵空間優化設計問題
2.2 分類器設計準則
2.3 分類器設計基本方法
2.4 判別函數
2.5 分類器的選擇
2.6 訓練與學習
小結
習題

第3章 模板匹配分類器
3.1 特徵類設計
3.2 待測樣品特徵提取
3.3 訓練集特徵庫的建立
3.4 模板匹配分類法
小結
習題

第4章 基於概率統計的Bayes分類器
4.1 Bayes決策的基本概念
4.2 基於最小錯誤率的Bayes決策
4.3 基於最小風險的Bayes決策
4.4 Bayes決策比較
4.5 基於二值數據的Bayes分類實現
4.6 基於最小錯誤率的Bayes分類實現
4.7 基於最小風險的Bayes分類實現
小結
習題

第5章 幾何分類器
5.1 幾何分類器的基本概念
5.2 線性判別函數
5.3 線性差別函數的實現
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE驗證可分性
5.7 LMSE分類算法
5.8 Fisher分類
5.9 線性分類器實現分類的侷限性
5.10 非線性判別函數
5.11 分段線性差別函數
5.12 勢函數法
小結
習題

第6章 神經網絡分類器
6.1 人工神經網絡的基本原理
6.2 BP網絡設計
6.3 神經網絡分類器設計
小結
習題

第7章 圖像分割與特徵提取
7.1 聚類簡介
7.2 圖像閾值分割
7.3 圖像的標識及特徵提取
7.4 圖像的輪廓提取
7.5 圖像的測量
小結
習題

第8章 聚類分析
第9章 模糊聚類分析
第10章 遺傳算法聚類分析
附錄A 幾種主要矩陣運算的程序代碼
參考文獻