《图像分割的认知物理学方法》在深入研究认知物理学理论的基础上，探索了图像分割的粒度原理，建立了图像分割的认知物理学粒计算框架，并在该框架下针对特定的图像分割问题研究了若干可行有效的新方法。具体针对目前图像分割方法中存在的不确定性、准则依赖、低维等问题，研究其内在关系，吸收人类视觉认知机理和相关物理学的最新研究成果，将图像分割纳入到认知科学的研究范畴，研究认知物理学的基本理论及其关键技术，采用认知物理学的方法探索“数据一信息一知识”的图像认知过程，揭示人类视觉认知思维中的简化归纳规律，利用数据场实现图像粒化，利用数据场的类谱系图和数据质点的自适应迁移模型实现图像粒化的计算，利用云模型实现图像不确定性粒化计算，最终阐明人类视觉认知机理，构建了图像分割的认知物理学粒计算理论框架，针对具体应用问题研究出新的图像分割方法，为图像分割问题提供新的解决思路。同时，本书也为推动认知物理学的发展作出了持续的努力。
　　本书可供从事人工智能、计算机科学研究的学者，尤其是从事图像处理、模式识别、计算机视觉的研究和开发人员阅读、研究，同时，本书也可作为高等院校相关专业的研究生教学用书或参考教材。

　　《图像分割的认知物理学方法》：
　　第三，强调在图像粒化的计算时利用云模型研究图像粒的不确定性，发挥云模型的不确定性双向认知转换能力，可利用逆向云模型或者云变换完成图像不确定性粒化分析。
　　（d）研究体系：认知物理学支持下的粒计算模型面向具体问题提出解决方案，但又并不是仅拘泥漂浮于应用层面，而是同时注重理论层面的深度，面向实际问题建立尽可能完备、可拓展的理论框架体系，这是因为认知物理学支持下的“数据—信息—知识”基本粒度原理广泛适用于大多数问题的求解。针对图像分割问题，在该理论体系下面向不同的需求可以直接延伸出更多的图像分割方法。以利用数据场的图像粒化为例，在图像数据场中定义不同的质量、在图像特征场中定义不同的维信息等可以完成符合特定需求的应用研究。当然，针对其他问题，该理论体系也有一定的扩展参考意义。以利用数据场的粒化为例，任意待求解问题数据样本本身也包含原始采样空间和特征空间，也可以在其采样空间建立数据场、在其特征空间建立特征场，一旦粒化完成以后，后续过程（如利用层次结构的粒化计算和利用云模型的不确定性粒化计算等）就近似与问题本原无关，可以完全纳入到《图像分割的认知物理学方法》所建立的认知物理学支持下的粒计算理论体系。
　　3.3利用数据场的图像粒化
　　粒化是将信息或数据分解成若干个簇的过程，《图像分割的认知物理学方法》通过图像粒场实现图像粒的生成及其表达。图像粒场包括图像数据场、图像特征场。需要指出的是，图像粒场都涉及到图像粒化的粒度层次问题，《图像分割的认知物理学方法》通过数据场的最优化影响因子实现粒度的最优化选择，在一般情况下采用文献（14，33）提出的最小化势熵方法，在某些特殊情况下，由于算法比较公平性的需要，实验中也采用人工尝试优选等方法，具体细节将结合后续章节的相关算法在其实验部分展开详细的分析。
　　3.3.1图像数据场
　　图像本身包含了丰富的可利用信息，像素在邻域范围内存在统计意义上的相互依赖规律，只有充分利用这种空间关联关系才能有效地提高图像分割的精度和准度。因此，一种科学可行的思路是将图像以区域块为单位进行粒化处理，每个图像块就对应了一个图像粒。
　　……

第1章绪论
1.1研究目的与意义
1.2国内外研究现状及发展动态
1.2.1认知物理学的研究现状及发展动态
1.2.2粒计算的研究现状及发展动态
1.2.3图像分割的研究现状及发展动态
1.2.4图像分割质量评价的研究现状及发展动态
1.3本书的主要关注点
第2章认知物理学的理论与方法
2.1认知物理学的内涵
2.2数据场
2.2.1数据场的势函数形态
2.2.2数据场的可视化方法
2.2.3数据场的影响因子
2.2.4动态数据场
2.3云模型
2.3.1正向正态云发生器
2.3.2逆向正态云发生器
2.3.3云模型与二型模糊集合的比较
2.4基于数据场的可变粒度层次结构
2.5本章小结
第3章图像分割的认知物理学框架
3.1图像分割与粒计算
3.1.1粒计算模型及其基本问题
3.1.2图像分割的粒计算原理
3.2基于认知物理学粒计算模型的图像分割框架
3.2.1认知物理学支持下的图像分割粒计算模型
3.2.2与传统粒计算模型的关系
3.3利用数据场的图像粒化
3.3.1图像数据场
3.3.2图像特征场
3.4利用可变粒度层次结构的图像粒化计算
3.4.1图像数据场的层次结构
3.4.2图像特征场的层次演化
3.4.3图像粒的层次转换
3.5利用云模型的图像不确定性粒化计算
3.5.1图像数据场的不确定性分析
3.5.2图像特征场的不确定性演化
3.6本章小结
第4章图像分割的多层次粒计算方法
4.1图像过渡区提取与分割方法
4.1.1图像过渡区概述
4.1.2融合局部特征的图像过渡区提取方法
4.1.3过渡区与图像数据场
4.1.4IDfT方法描述与分析
4.1.5IDfT方法实验结果与分析
4.2图像同质区域分割方法
4.2.1同质区域与图像数据场
4.2.2图像同质吸引关系
4.2.3IDfH方法描述与分析
4.2.4IDfH方法与相关传统方法的关系
4.2.5IDfH方法实验结果与分析
4.3图像不确定性分析的粗糙熵方法
4.3.1粗糙集图像分析概述
4.3.2图像不确定性表示的粗糙集方法
4.3.3自适应的粗糙粒度
4.3.4AREbIT方法描述与分析
4.3.5AREbIT方法实验结果与分析
4.4图像不确定性边缘提取方法
4.4.1图像边缘提取概述
4.4.2边缘与图像数据场
4.4.3图像边缘的不确定性分析
4.4.4CDbE方法描述与分析
4.4.5CDbE方法实验结果与分析
4.5本章小结
第5章图像分割的多视角粒计算方法
5.1不确定性的图像一维阈值分割方法
5.1.1多视角的图像数据场
5.1.2图像数据场在不同视角所反映的特征
5.1.3CDbT方法描述与分析
5.1.4CDbT方法实验结果与分析
5.2快速的图像二维阈值分割方法
5.2.1图像二维阈值分割概述
5.2.2图像二维特征场及其势心
5.2.32DDF方法描述与分析
5.2.42DDF方法实验结果与分析
5.3无显式准则的图像三维阈值分割方法
5.3.1图像阈值分割的视觉特性
5.3.2图像三维特征场
5.3.3图像三维特征场的演化
5.3.43DDF方法描述与分析
5.3.53DDF方法的收敛性分析
5.3.63DDF方法实验结果与分析
5.4无显式准则的图像高维分割方法
5.4.1图像灰度与纹理特征的融合
5.4.2图像高维特征场及其演化
5.4.3hDDF方法描述与分析
5.4.4hDDF方法实验结果与分析
5.5本章小结
第6章利用认知物理学方法的图像应用尝试
6.1利用数据场的图像特征提取尝试
6.1.1稀疏二值图像特征提取概述
6.1.2二值图像数据场
6.1.3BDfF方法描述与分析
6.1.4BDfF方法时间复杂度及讨论
6.1.5BDfF方法实验结果与分析
6.2利用数据场的图像分析框架
6.2.1图像数据场变换
6.2.2IdfF图像分析框架
6.2.3IdfF框架的参数设置策略
6.2.4IdfF算法分析与实验设置
6.2.5IdfF框架实验结果与分析
6.3利用云模型的图像特征提取尝试
6.3.1血细胞图像特征提取概述
6.3.2血细胞图像的云模型表示
6.3.3血细胞图像特征提取
6.3.4CbBT方法描述
6.3.5CbBT方法时间复杂度分析
6.3.6CbBT方法实验结果与分析
6.4利用云模型的图像分析框架
6.4.1图像不确定性表示
6.4.2CbRC方法描述与分析
6.4.3利用CbRC方法的改进统计阈值分割
6.4.4CbRC方法实验结果与分析
6.5本章小结
第7章讨论与研究展望
7.1图像分割的认知物理学研究展望
7.2利用认知物理学的图像应用研究展望
参考文献