前言

人們在認知和處理現實世界的問題時，常常采用從不同層次觀察問題的策略，這種策略可以使用粒計算的原理更加準確、嚴格地表述。因此粒計算不僅是一些理論、方法、技術或工具的總稱，而且可以認為是一種看待客觀世界的世界觀和方法論。粒計算可以從兩大方面來進行研究：粒的構造和使用粒的計算。前者處理粒的形成、表示和解釋，后者處理在問題求解中粒的運用。總的來說，粒計算是通過粒對現實問題的抽象、粒之間的關系、粒的分解和合成以及粒或者粒集之間的交互來描述和解決問題的一種方法。

本書以研究粒計算的3個主要模型——詞計算模型、粗糙集模型、商空間理論模型的基本理論為起點，從人工智能、粒度表示、所研究的對象粒等角度，分析了三者之間的聯系及區別。由此，本書以一種新的粒計算模型——粒度格矩陣空間模型為理論軸線，在二進制粒空間和模糊空間下進行了定義和定理的闡述和證明，解釋了粒化、粒計算，使其成為連接關系、粒、矩陣理論和圖論之間的一座橋梁。其次，將該理論與其他智能計算理論相結合，依次應用于完備和不完備信息系統的知識發現、聚類、圖像分割、鏡頭邊界檢測、關鍵幀提取、人臉檢測、人眼檢測、面部表情識別等相關領域。

本書在結構上力求從傳統理論研究入手，以粒計算模型為主線，以應用研究為立足點，由淺入深、由遠及近地介紹了粒計算理論的歷史發展、研究現狀及應用。在文字敘述上，著力描述準確、簡明扼要、層次清晰，便于讀者對全書理論的了解和梳理。在內容上，本書集合了著者多年對粒計算模型研究的理論體會，以及以大量實驗為基礎的研究成果。談及此處，深知從事粒計算理論研究的學者前輩之多、研究理論之深廣、經驗之豐富，足令著者等晚輩自慚，雖以此書為階段科研總結，也是下一步致力于應用領域研究的契機。

全書共分11章，安排如下。

第1章為緒論，總結了粒計算的基本問題，分析了粒計算目前存在的3個主要模型，同時對其當前的研究現狀及在相關領域的應用進行了闡述，為新模型的建立提供了理論和應用依據。

第2章提出了粒度格矩陣空間模型。該章在集合論的框架下，從商空間理論、粗糙集方法及模糊集理論出發，提出更強有力的粒度格矩陣空間模型(GX,GA,GV,(GI,GE,GM),t)，構成一個更加完整的粒計算理論。第2章是全書的理論基礎，為后續章節的知識發現、聚類和圖像分割等領域的應用提供了有力的理論依據。

第3章闡述了基于新模型的完備和不完備信息系統的知識發現。首先，以完備信息系統為研究對象，通過等價關系將論域劃分為互不相交的等價粒，以粒度格矩陣作為運算途徑對系統進行知識約簡。其次，針對粗糙集知識發現的非動態性缺點，提出了一種基于新模型的具有動態粒度的決策規則挖掘算法。最后，以不完備信息系統為研究對象，通過構造相容粒和粒空間，達到不完備信息系統的知識挖掘。

第4章提出了基于新模型的動態聚類算法，闡明了對不同性質的樣本點采用“動態粒度”聚類的必要性。利用第2章建立的粒度模型和第3章基于新模型的知識發現算法，對構建的信息系統進行知識挖掘，明確樣本集合中各屬性的權值，重新定義距離公式，提出了新聚類算法。第4章是第3章提出的基于新模型的知識發現算法在聚類問題中的應用，從另一個角度驗證了基于新模型的知識發現算法的可行性和有效性，同時為第5章的圖像分割問題做了鋪墊。

第5章詳細描述了粒度格矩陣空間模型下的圖像分割問題。首先，論證了圖像分割問題與粒度劃分的一致性，完成了圖像向粒度格矩陣空間模型的轉換。其次，根據等價關系的不同設定，將圖像轉化為具有分層結構的知識體系。最后，在各單元粒度層完成圖像的逐次分割后，通過粒度的合成取得最終的分割效果。

第6章在分析鏡頭邊界檢測算法的基礎上，提出了一種基于多粒度特征融合的自適應雙閾值鏡頭檢測算法。該方法運用HSV顏色粒度特征和LBP紋理粒度特征來突出表現視頻幀的主要內容，同時采用自適應閾值選取方式進行鏡頭邊界檢測。

第7章針對當前關鍵幀提取算法普遍存在速度慢、時間復雜度高等缺點，提出了一種基于CUDA模型的粒信息熵的關鍵幀提取算法，利用幀粒互信息熵提取圖像幀特征，并運用SUSAN算子完成幀粒特征的邊緣匹配，結合CPU+GPU并行編碼的方式加速計算過程，從而縮短提取關鍵幀所用的時間開銷。同時，提出了基于DCT與NCIE的關鍵幀多級提取方法，將鏡頭分為動態鏡頭集和靜態鏡頭集，針對動態鏡頭，采用非線性相關信息熵（NCIE）對鏡頭幀進行相似性度量，從子鏡頭中選擇最接近平均信息熵的一幀作為關鍵幀。

第8章提出基于Adaboost的人臉檢測多階段優化算法。該算法為避免傳統Adaboost算法易出現訓練過度、訓練時間長、誤報率高等問題，在算法學習和檢測過程中通過擴充訓練樣本、縮減特征數量、限制樣本權重等，對傳統Adaboost算法進行多階段優化；其次，通過在算法前端和后端設置自判斷機制縮減誤報。在分類器判斷待檢測窗口之前設置前端誤報縮減機制，通過邊緣能量初步過濾、刪除非感興趣子窗口，提高檢測準確度；后端自判斷機制是在Adaboost算法檢測后，設置基于粗糙粒的膚色檢測和邊緣蒙板的“過濾器”，在窗口內再次篩選人臉，進一步縮減誤報。

第9章在改進Adaboost算法三層結構人眼檢測方法的基礎上，針對CamShift算法在跟蹤過程中僅僅依靠前一幀獲取到的目標信息初始化當前幀圖像的搜索窗口缺乏預測模塊、易跟蹤失敗等弊端，將Kalman濾波器引入CamShift算法，提出了一種基于Kalman濾波器和改進CamShift算法的雙眼跟蹤方法；其次，在人眼檢測和人眼跟蹤的基礎上，利用Ostu對定位到的人眼區域進行閾值化處理，通過Freeman鏈碼方法提取人眼外圍輪廓進行擬合，根據橢圓的長短軸比值分析判斷人眼狀態。

第10章針對改善深度置信網絡運用于面部表情識別時，易出現局部結構特征被忽視、頑健性差、運算量大等問題，提出了融合雙韋伯特征的深度置信網絡表情識別算法。通過設計雙韋伯描述算子，在空間分布優化傳統韋伯特征的梯度方向算法，對圖像進行初次特征提取，豐富局部細節紋理信息；其次，在深度置信網絡中進行二次特征提取，融合局部紋理信息的表征優勢，借助深度學習在整體結構信息的提取優勢，得到更易識別的高級抽象特征。

第11章為結論和展望，總結了全書的工作及創新，并為下一步的研究指明了方向。在本書的編寫過程中，初稿得益于太原理工大學謝克明教授的大力支持，在應用領域的編寫中，得到了同課題組各位老師、同學的鼓勵和幫助。在此，對他們表示衷心的感謝。限于著者的水平，書中難免存在不妥之處，敬請致力于粒計算研究的前輩、同仁和各位學者批評指正。

作者

2019年5月