SAR图像处理与目标识别 [Aar Image Processing and Target Recognition] pdf epub mobi txt 电子书 下载 2026

简体网页||繁体网页

☆☆☆☆☆

吴良斌 著

图书标签:

• SAR图像处理
• 雷达图像
• 目标识别
• 图像处理
• 遥感
• 模式识别
• 信号处理
• 微波遥感
• SAR技术
• 目标检测

出版社： 航空工业出版社

ISBN：9787516501214

版次：1

商品编码：11262521

包装：精装

丛书名： 中航工业首席专家技术丛书

外文名称：Aar Image Processing and Target Recognition

开本：16开

出版时间：2013-01-01

用纸：胶版纸

页数：297

正文语种：中

编辑推荐

　　《SAR图像处理与目标识别》深入浅出，涵盖了SAR图像研究及相关领域的前沿成果，适合信号处理等相关领域的研究人员及在校学生参考使用。

内容简介

　　《SAR图像处理与目标识别》针对实际工程需求和特点展开，对SAR图像处理与目标识别的方法、原理和应用进行了系统的研究，《SAR图像处理与目标识别》共分为9章。第1章为SAR图像的特性分析。第2～第4章分别介绍了SAR图像去噪声技术、图像配准和图像融合。第5章和第6章主要研究了SAR图像目标分割和目标检测的实现方法。第7章对SAR图像目标识别进行了研究。第8章描述了基于压缩感知的雷达图像重建算法。第9章系统地介绍了基于小波变换的SAR图像压缩方法。

作者简介

　　吴良斌，1965年1月5日出生，重庆梁平人，1988年西北工业大学研究生毕业，自然科学研究员，现任中航工业雷达与电子设备研究院总工程师、中航工业集团公司首席技术专家，同时兼任中国航空学会电子专业委员会副主任委员、中国雷达行业协会资深专家委员会副主任委员、中国电子学会无线电定位分会委员、总装飞机机载系统技术专业组成员等。吴良斌长期从事机载雷达及相关技术的理论研究和工程型号研制工作，先后主持完成数十项国防科技预先研究和型号研制项目。屡次受到国家、行业的表彰，荣获国家科技进步奖、国防科技进步奖和中航工业集团公司科技进步奖等近20项荣誉。2004年获“全国国防科技工业系统劳动模范”称号，2011年获中航工业“航空报国突出贡献奖”。吴良斌专业理论基础扎实，在工程设计及应用方面有较深造诣，先后发表专业论文、译文和科研技术报告等30余篇，主持编著了《现代电子系统的电磁兼容性设计》。《机载雷达手册》，入选国防科技工业“511人才工程”学术带头人。

内页插图

目录

第1章 SAR图像特性分析
1.1 合成孔径雷达成像的基本原理
1.2 SAR图像的分辨率特征
1.3 SAR图像的强度特征
1.4 SAR图像的几何特征
1.5 SAR图像的统计分布特征
1.6 SAR图像的噪声特征
1.6.1 SAR图像相干斑形成机理
1.6.2 SAR图像相干斑模型
1.7 SAR图像指标
1.8 本章小结
参考文献

第2章 SAR图像去噪声
2.1 SAR图像分布模型
2.2 SAR图像滤波
2.2.1 空间域滤波算法
2.2.2 小波域全局阈值滤波
2.2.3 基于纹理模型的空间自适应小波滤波
2.2.4 基于隐马尔可夫树模型的小波滤波算法
2.2.5 基于双正交小波域局部统计特性的滤波算法
2.2.6 基于正交带波域的滤波算法
2.2.7 基于曲波变换域的滤波算法
2.2.8 基于轮廓波变换域的滤波算法
2.2.9 基于带波变换域的滤波算法
2.3 滤波算法的效果对比
2.4 本章小结
参考文献

第3章 SAR图像配准
3.1 SAR图像配准概况
3.1.1 图像配准的定义
3.1.2 图像配准的模型
3.1.3 图像变换
3.1.4 图像配准的一般方法
3.2 图像配准预处理
3.2.1 图像增强
3.2.2 图像的几何校正
3.3 基于灰度的图像配准方法
3.3.1 基于互信息的图像配准算法
3.3.2 基于联合直方图的图像配准算法
3.4 基于特征的图像配准方法
3.4.1 基于SIFT特征的图像配准算法
3.4.2 基于角点特征的图像配准算法
3.4.3 基于灰度和特征的配准方法的局限性
3.4.4 基于特征与灰度相结合的图像配准新方法
3.5 基于变换域的图像配准方法
3.5.1 平移变化的配准原理
3.5.2 旋转变化和比例变化的配准原理
3.5.3 基于快速傅里叶变换的图像配准算法
3.5.4 仿真结果
3.6 本章小结
参考文献

第4章 SAR图像融合
4.1 SAR图像融合概况
4.1.1 图像融合的层次划分
4.1.2 图像融合效果评价
4.2 加权平均融合算法
4.3 基于拉普拉斯金字塔算法的图像融合算法
4.4 基于小波变换的图像融合方法
4.4.1 基于小波变换的图像融合算法
4.4.2 小波变换域内不同融合算法比较
4.5 基于轮廓波变换的融合算法
4.6 基于Bandlet变换的图像融合算法
4.7 基于PCNN的图像融合新算法
4.7.1 脉冲耦合神经网络
4.7.2 基于DWT的PCNN的融合新算法
4.7.3 基于DWT的并行PCNN融合算法
4.7.4 基于方向性激励的PCNN融合算法
4.7.5 基于Grouplet变换和PCNN的图像融合算法
4.8 仿真结果
4.9 本章小结
参考文献

第5章 SAR图像目标分割
5.1 SAR图像目标分割技术发展概况
5.2 CFAR分割技术
5.2.1 单参数CFAR分割
5.2.2 双参数CFAR分割
5.2.3 多分辨率CFAR
5.3 基于MRF的SAR图像目标分割
5.4 基于全局Maxflow的SAR图像目标分割
5.4.1 能量函数最小化理论
5.4.2 最小割集与最大流
5.4.3 Otsu算法
5.4.4 基于Maxflow的最大熵算法的SAR图像目标分割
5.4.5 基于全局Maxflow的邻域生长算法的SAR图像目标分割
5.5 本章小结
参考文献

第6章 SAR图像目标检测
6.1 SAR图像目标检测概况
6.2 SAR图像目标检测的基本算法
6.2.1 SAR图像目标检测的知识检测
6.2.2 基于数据相关的基与固定基相结合的SAR图像检测算法
6.2.3 SAR图像目标检测算法实用性
6.3 基于Beamlet的SAR图像目标检测
6.3.1 Beamlet的基本理论
6.3.2 小线检测
6.3.3 基于Beamlet的SAR图像目标检测仿真
6.3.4 Beamlet的其他应用
6.4 本章小结
参考文献

第7章 SAR图像目标识别
7.1 SAR图像目标识别概况
7.1.1 SAR目标识别概述及研究现状
7.1.2 SAR图像目标自动识别的难点
7.1.3 SAR图像目标自动识别的关键技术
7.1.4 SAR图像目标识别流程
7.2 基于PCA、KPCA及2DPCA的SAR图像识别
7.2.1 PCA特征提取
7.2.2 KPCA及2DPCA特征提取方法
7.2.3 SAR图像分类识别性能验证
7.2.4 投影特征的缺点
7.3 SAR图像融合目标特征提取
7.3.1 SAR图像融合目标特征概述
7.3.2 基于形状特征的Hu不变矩特征提取
7.3.3 基于纹理特征的Gabor特征提取
7.3.4 基于频域特征的FFT特征提取
7.3.5 基于HGF混合特征矩的融合特征
7.4 支持矢量机分类器
7.4.1 SVM分类器
7.4.2 SVM体系结构
7.5 基于融合特征和sVM分类器的SAR图像目标识别
7.5.1 基于融合特征和SVM分类器的SAR图像目标识别的处理流程
7.5.2 联合特征提取及类归一化
7.5.3 SVM分类器设计
7.5.4 融合特征分类效果验证
7.6 本章小结
参考文献

第8章 基于压缩感知的雷达图像重建算法
8.1 压缩感知概况
8.1.1 研究的背景和意义
8.1.2 国内外研究现状
8.1.3 压缩感知的应用
8.2 压缩感知理论
8.2.1 信号的稀疏表示
8.2.2 压缩感知算法
8.2.3 常用测量矩阵
8.2.4 信号重建算法
8.2.5 压缩感知在雷达成像中的应用
8.3 基于小波树的正交匹配追踪重建算法
8.3.1 正交匹配追踪算法
8.3.2 TOMP算法
8.3.3 TOMP算法的仿真
8.4 基于分块的三维小波树的正交匹配追踪算法
8.4.1 三维的基于小波树的正交匹配追踪算法（3D—TOMP）
8.4.2 基于分块的三维小波树的正交匹配追踪算法（3D—TOMP—BL）
8.4.3 验证结果及分析
8.5 本章小结
参考文献

第9章 基于小波变换的SAR图像压缩方法
9.1 SAR图像压缩技术发展概况
9.1.1 SAR数据压缩背景
9.1.2 SAR图像压缩的意义
9.1.3 图像压缩算法概述
9.2 SAR图像统计特征与率失真特性
9.2.1 SAR图像统计特征
9.2.2 SAR图像的率失真特性
9.2.3 传统图像压缩原理
9.2.4 图像压缩的评估标准
9.3 基于小波变换的SAR图像压缩方法
9.3.1小波变换
9.3.2 图像统计特性和适合图像数据压缩小波基的确定
9.3.3 基于小波变换的嵌入式压缩编码
9.4 SAR图像压缩性能仿真测试
9.5 本章小结
参考文献
名词术语表

精彩书摘

　　（4）增强了系统的稳定性和容错性；
　　（5）使系统具有更高的性价比。
　　而作为SAR图像融合的源图像包含Speckle噪声，在融合时无法使用传统的简单特征融合方法。本章重点研究图像融合的定义、评价标准、经典图像融合方法和X—let变换的PCNN融合。
　　4.1.1 图像融合的层次划分
　　多源图像融合按信息抽象的程度可分为：像素级融合（特征提取之前）、特征级融合（属性说明之前）和决策级融合（各传感器数据独立属性说明之后）。因此，图像融合就可相应地在像素级、特征级和决策级3个层次上进行，构成3种融合水平。
　　像素级图像融合主要是针对初始图像数据进行的，其目的主要是图像增强、图像分割和图像分类，从而为人工判读图像或进一步的特征集融合提供更佳的输入信息。其融合示意图如图4—1所示。像素级图像融合属于较低层次的融合，大部分研究集中在该层次上，融合前需首先对图像进行预处理，包括降噪、几何校正、辐射校正、空间上的精确配准等，如果图像具有不同的分辨率，在融合之前还需要做相应的映射处理。
　　特征级图像融合是指从各个传感器图像中提取特征信息，并进行综合分析和处理的过程。其融合示意图如图4—2所示。提取的特征信息是像素信息的充分表示量或充分统计量，典型的特征信息包括边缘、形状、轮廓、角、纹理、相似亮度区域等。通过特征集融合，可以在原始图像中挖掘相关特征信息，增加特征信息的可信度，排除虚假特征，建立新的复合特征等。经过特征级融合处理后的结果是一个特征空间，数据量相对于原来的图像数据将大为减少，该处理进程将极大地提高处理和传输效率，有效地推动数据自动实时处理。特征级图像融合是中间层次上的融合，是为决策级融合做准备。特征级融合对传感器对准要求不如像素级严格，因此图像传感器可以分布于不同平台上。特征级融合的优点在于实现了可观的信息压缩，便于实时处理。目前，特征集数据融合的主要方法有聚类分析方法、登普斯特一谢弗（Dempster—Shafer）推理方法、信息熵方法、表决方法及神经网络方法等。
　　如图4—1和图4—2所示的像素级和特征级的融合过程，最重要的步骤是图像配准。它直接影响最终融合的精度。工程应用要求运算保持高精度，而SAR图像配准因其特殊性，特征点不如光学图像多，且受噪声影响，这是未来工程应用需重点考虑的因素。
　　决策级图像融合是对来自多幅图像的信息进行逻辑推理或统计推理的过程。其融合示意图如图4—3所示。如果传感器信号的表示形式差异很大或者涉及图像的不同区域，那么决策级融合是融合多图像信息的唯一方法。融合的决策是系统中传感器提供的信息，或是来自环境模型或系统先验信息的决策。从传感器信息导出的决策代表了有关环境某个方面已做出的决策，通常是把传感器信息导出的特征与模型匹配来处理。决策级融合是图像融合的最高层次，经过决策级融合的结果可以直接作为决策要素来做出相应的行为，直接为决策者提供决策参考。决策级融合的主要优点可概括为：①通信及传输要求低，这是由其数据量少决定的；②容错性高，一个或若干传感器的数据干扰，可以通过适当的融合方法予以消除；③数据要求低，传感器可以是同质或异质，所以对传感器的依赖性和要求降低；④分析能力强，能全方位有效反映目标及环境的信息，满足不同应用的需要。由于对预处理及特征抽取的较高要求，所以决策级图像融合的代价较高。目前，常用的决策级图像融合方法主要有贝叶斯估计法、模糊聚类法及专家系统等。
　　……

前言/序言

《SAR图像处理与目标识别》图书内容概述 本书系统深入地探讨了合成孔径雷达（Synthetic Aperture Radar, SAR）图像的处理技术及其在目标识别领域的应用。全书结构严谨，内容翔实，旨在为读者提供一个全面且深入的理论框架和实践指导。 本书的第一部分聚焦于SAR成像的物理基础与数据获取。首先，详细介绍了SAR系统的基本原理，包括雷达方程、SAR的几何特性（如方位向与距离向分辨率）、侧视成像机理以及各种关键参数（如带宽、工作频率、入射角）对成像质量的影响。随后，深入分析了地物对雷达信号的后向散射机制，阐述了体积散射、表面散射、偶次反射等物理模型，这为后续的图像理解奠定了基础。在数据获取方面，本书涵盖了不同SAR体制（如条带、聚束、超分辨率SAR）的数据采集特点，以及由此产生的典型成像畸变，例如距离和方位向的模糊、旁瓣效应和阴影效应等。 第二部分的核心在于SAR图像的预处理技术。由于SAR数据在获取过程中会受到噪声和系统误差的影响，高质量的预处理至关重要。本部分首先详细论述了SAR图像中的典型噪声源，特别是乘性斑点噪声（Speckle Noise）的统计特性。接着，系统地介绍了各类去噪算法，包括经典的空域滤波方法（如Lee、Gamma MAP滤波器）以及基于变换域（如小波域）的滤波策略，并对比了它们的优人劣势和适用场景。此外，还涵盖了几何校正技术，如高精度配准、地形引起的几何畸变校正，以及辐射定标与对比度增强方法，确保图像数据的准确性和视觉可解释性。 第三部分深入讲解了SAR图像的特征提取与分析。这是连接原始数据与高层智能识别的关键桥梁。本书首先探讨了SAR图像的纹理特征和幅度分布特征的量化描述。在纹理分析方面，重点介绍了灰度共生矩阵（GLCM）及其衍生特征，以及更先进的局部二值模式（LBP）在SAR环境下的适应性改进。对于目标特征提取，本书区分了宏观结构特征和微观散射特性。在微观特性方面，详细解析了散射中心提取技术和极化SAR（PolSAR）数据的全极化特征分析，如散射分解（如Freeman-Durden分解、Cloude-Pottier分解）在区分不同散射机制中的应用，以及相干性、熵、各向异性等极化不变量的计算与解释。 第四部分是本书的核心应用领域——目标识别与分类。本部分首先介绍了传统的基于特征的分类方法，包括支持向量机（SVM）、决策树等在SAR分类任务中的应用，并讨论了如何构建有效的特征向量集。随后，重点转向基于深度学习的识别框架。详细阐述了如何构建和训练适用于SAR图像的卷积神经网络（CNN）架构（如AlexNet、ResNet的改进版本），并讨论了SAR数据独有的挑战，例如数据量相对稀疏、标签获取困难以及多模态融合的需求。针对特定目标识别，本书提供了多个案例研究，包括：地物类型的精细分类（如城市、农田、水体）、舰船和飞机等空中、海上目标的检测与识别算法，以及基于稀疏表示的杂波抑制技术。 第五部分面向SAR图像的高级应用与未来趋势。本部分探讨了SAR数据的反演能力，包括如何利用SAR数据反演地表粗糙度、植被生物量等物理参数，以及基于数据融合的增强识别技术。尤其关注了SAR与光学/红外图像等多源数据的异构数据融合策略，以期实现更鲁棒的识别结果。最后，展望了当前SAR处理领域的前沿研究方向，例如利用生成对抗网络（GAN）进行SAR数据增强、面向实时处理的轻量化网络设计，以及在复杂电磁环境下目标识别的新挑战与解决方案。 全书配有大量的数学推导、算法伪代码和实际处理案例，旨在帮助读者不仅理解理论，更能够掌握实际操作技能。本书适合雷达系统工程师、遥感图像分析师、计算机视觉研究人员以及相关专业的高年级本科生和研究生使用。

评分☆☆☆☆☆

我正在寻找一本能系统梳理深度学习在SAR目标识别中应用的参考书。目前关于这个主题的资料多半是零散的论文集合，缺乏一个连贯的理论框架。我非常期待这本书能够详尽介绍如何构建适用于SAR数据的卷积神经网络（CNN）架构。SAR图像固有的相干性、低信噪比和对角散斑噪声，使得直接套用标准的光学图像识别网络往往效果不佳。因此，我希望看到作者专门针对SAR图像特点，设计出如多尺度特征融合网络、基于注意力机制的散射点增强网络，或者如何有效地将极化信息融入深度特征提取的章节。更进一步，如果书中能探讨小样本学习或迁移学习在目标识别中的应用，那将是巨大的加分项。在现实应用中，获取大规模标注的SAR目标样本是极其困难的，能够提供解决这一痛点的有效方法论，远比单纯展示最新的网络结构更有价值。

评分☆☆☆☆☆

这部关于SAR图像处理与目标识别的专著，从目录上看，似乎汇集了该领域诸多前沿且实用的技术。我尤其关注它在高分辨率SAR成像机理与数据预处理部分的内容深度。市面上的教材往往对SAR的成像过程和系统参数的数学建模一带而过，导致读者在面对实际数据时，对噪声、几何畸变和去散射伪影等问题的理解停留在表面。我期望这本书能够深入剖析Chirp Scaling、Omega-K等主流成像算法的推导过程，并提供针对不同SAR平台（如星载、机载）的参数敏感性分析。如果它能详尽阐述如何根据实际场景（如城市、海洋、森林）选择最优的去噪与配准策略，并给出清晰的实验案例对比不同预处理流程的效果差异，那将是对我们科研工作极大的助力。毕竟，“垃圾进，垃圾出”的原则在SAR处理中尤为明显，扎实的基础预处理是后续目标识别准确性的生命线。我希望看到作者能以一种既严谨又直观的方式，将这些复杂的物理模型和信号处理流程清晰地呈现出来，而不是堆砌公式。

评分☆☆☆☆☆

关于目标特征提取与分类决策这一块，我希望能看到作者在传统方法与现代方法之间搭建起一座坚实的桥梁。以往的教材偏重于经典的特征工程，例如基于边缘梯度、纹理特征（如GLCM）或极化特征（如H/A/α分解）。虽然这些方法在低分辨率或数据量有限时仍然有效，但它们对环境变化（如照射角度、季节变化）的鲁棒性较差。我期望这本书能细致地比较经典特征提取与深度学习自动特征提取的优劣，并提供一个“混合识别框架”的思路。例如，如何利用深度学习提取的上下文信息来辅助传统极化特征的分类，或者如何利用稀疏表示理论（如L1/L2范数）对提取的特征进行降维和去噪。这种融合了信号处理、模式识别和机器学习精髓的综合性论述，才真正配得上“系统教材”的称号，而不是仅仅停留在单一技术栈的罗列。

评分☆☆☆☆☆

我对SAR图像处理中不确定性量化与鲁棒性评估这一技术环节格外感兴趣，而这恰恰是很多工程导向书籍容易忽略的“深度哲学”层面。SAR数据本质上是高度不确定和随机的，无论是环境噪声还是系统误差都会影响最终识别结果。我期待这本书能介绍如何利用贝叶斯方法或蒙特卡洛模拟来量化目标识别结果的置信区间。仅仅报告一个95%的准确率是不够的，我们需要知道这个准确率是在什么样的先验假设和环境噪声水平下得出的。如果书中能提供一套标准化的性能评估指标体系，不仅仅是传统的查准率/查全率，还应包括对不同误报类型的成本分析，这将使我们能够更审慎地将算法部署到实际任务中。这种对“为什么错了”和“错的代价”的探讨，才是区分一本优秀教材和普通参考书的关键所在。

评分☆☆☆☆☆

这本书的标题中提到了“目标识别”，但SAR的应用场景远不止于简单的目标检测。我非常关注书中对地物分类和场景理解的阐述。例如，在军事侦察场景中，如何区分伪装目标和真实目标？在地质勘探中，如何利用长时间序列SAR数据进行地表形变监测（InSAR）并与目标识别结合起来分析？我希望看到作者能够超越简单的“飞机、坦克”识别，深入到语义分割和目标布局分析的层面。特别是，针对城市场景中遮挡和复杂几何结构对识别带来的挑战，书中是否提供了有效的解决方案？如果能够包含针对特定领域应用的案例分析，比如对复杂海洋目标（如小型船只或水下滑翔器）的识别难点剖析，那将极大地拓宽读者的应用视野，证明这本书不仅是理论的堆砌，更是实践的指南。

评分☆☆☆☆☆

还没看，看着不错

评分☆☆☆☆☆

特征级图像融合是指从各个传感器图像中提取特征信息，并进行综合分析和处理的过程。其融合示意图如图4—2所示。提取的特征信息是像素信息的充分表示量或充分统计量，典型的特征信息包括边缘、形状、轮廓、角、纹理、相似亮度区域等。通过特征集融合，可以在原始图像中挖掘相关特征信息，增加特征信息的可信度，排除虚假特征，建立新的复合特征等。经过特征级融合处理后的结果是一个特征空间，数据量相对于原来的图像数据将大为减少，该处理进程将极大地提高处理和传输效率，有效地推动数据自动实时处理。特征级图像融合是中间层次上的融合，是为决策级融合做准备。特征级融合对传感器对准要求不如像素级严格，因此图像传感器可以分布于不同平台上。特征级融合的优点在于实现了可观的信息压缩，便于实时处理。目前，特征集数据融合的主要方法有聚类分析方法、登普斯特一谢弗（Dempster—Shafer）推理方法、信息熵方法、表决方法及神经网络方法等。

评分☆☆☆☆☆

购买图书方便 正版 支持

评分☆☆☆☆☆

特征级图像融合是指从各个传感器图像中提取特征信息，并进行综合分析和处理的过程。其融合示意图如图4—2所示。提取的特征信息是像素信息的充分表示量或充分统计量，典型的特征信息包括边缘、形状、轮廓、角、纹理、相似亮度区域等。通过特征集融合，可以在原始图像中挖掘相关特征信息，增加特征信息的可信度，排除虚假特征，建立新的复合特征等。经过特征级融合处理后的结果是一个特征空间，数据量相对于原来的图像数据将大为减少，该处理进程将极大地提高处理和传输效率，有效地推动数据自动实时处理。特征级图像融合是中间层次上的融合，是为决策级融合做准备。特征级融合对传感器对准要求不如像素级严格，因此图像传感器可以分布于不同平台上。特征级融合的优点在于实现了可观的信息压缩，便于实时处理。目前，特征集数据融合的主要方法有聚类分析方法、登普斯特一谢弗（Dempster—Shafer）推理方法、信息熵方法、表决方法及神经网络方法等。

评分☆☆☆☆☆

还没看，看着不错

评分☆☆☆☆☆

需要有一定基础才能理解

评分☆☆☆☆☆

需要有一定基础才能理解

评分☆☆☆☆☆

特征级图像融合是指从各个传感器图像中提取特征信息，并进行综合分析和处理的过程。其融合示意图如图4—2所示。提取的特征信息是像素信息的充分表示量或充分统计量，典型的特征信息包括边缘、形状、轮廓、角、纹理、相似亮度区域等。通过特征集融合，可以在原始图像中挖掘相关特征信息，增加特征信息的可信度，排除虚假特征，建立新的复合特征等。经过特征级融合处理后的结果是一个特征空间，数据量相对于原来的图像数据将大为减少，该处理进程将极大地提高处理和传输效率，有效地推动数据自动实时处理。特征级图像融合是中间层次上的融合，是为决策级融合做准备。特征级融合对传感器对准要求不如像素级严格，因此图像传感器可以分布于不同平台上。特征级融合的优点在于实现了可观的信息压缩，便于实时处理。目前，特征集数据融合的主要方法有聚类分析方法、登普斯特一谢弗（Dempster—Shafer）推理方法、信息熵方法、表决方法及神经网络方法等。

评分☆☆☆☆☆

学习中