圖像多尺度幾何分析理論與應用

第1章 緒論
1.1 引言
1.2 稀疏逼近
1.3 從Fourier分析到小波分析
1.4 多尺度幾何分析
1.5 多尺度幾何變換
1.5.1 脊波及單尺度脊波變換
1.5.2 曲線波（Curvelet）
1.5.3 梳狀波（Brushlet）
1.5.4 子束波（Beamlet）
1.5.5 楔形波（Wedgelet）
1.5.6 輪廓波（Contourlet）
1.5.7 條帶波（Bandelet）
1.5.8 方向波（Directionlet）
1.5.9 剪切波（Shearlet）
1.6 多尺度幾何變換的逼近性質
1.7 存在的問題和進一步研究的方向
1.8 本章小結
本章參考文獻
第2章 基函數(shù)網(wǎng)絡逼近
2.1 引言
2.2 多變量目標函數(shù)的逼近
2.2.1 神經(jīng)網(wǎng)絡的逼近和學習
2.2.2 統(tǒng)計估計
2.2.3 逼近論
2.2.4 調和分析
2.2.5 小波神經(jīng)網(wǎng)絡
2.3 脊波的發(fā)展現(xiàn)狀及應用前景
2.3.1 脊波現(xiàn)有的成果
2.3.2 連續(xù)和離散脊波變換
2.4 存在的問題和進一步研究的方向
2.5 本章小結
本章參考文獻
第3章 基于脊波變換的直線特征檢測
3.1 引言
3.2 圖像的離散脊波變換
3.2.1 基于投影切片定理的Radon變換
3.2.2 二進小波變換
3.2.3 二維離散脊波變換
3.2.4 脊波子帶的產(chǎn)生
3.3 基于脊波變換的直線特征檢測
3.4 實驗結果
3.5 本章小結
本章參考文獻
第4章 脊波雙框架系統(tǒng)
4.1 引言
4.2 脊波、正交脊波和脊波框架
4.3 Radon域中對偶框架的構造
4.4 從到L2(2)的等距映射
4.5 L2(R2)中的對偶框架
4.6 對偶框架的性質
4.7 去噪實驗
4.8 本章小結
本章參考文獻
第5章 自適應連續(xù)脊波網(wǎng)絡
5.1 引言
5.2 多尺度幾何網(wǎng)絡
5.3 自適應連續(xù)脊波網(wǎng)絡
5.4 收斂性能分析
5.5 實驗結果
5.6 本章小結
本章參考文獻
第6章 曲線波
6.1 引言
6.2 曲線波變換
6.3 曲線波框架的性質
6.4 第二代曲線波變換
6.5 曲線波雙框架系統(tǒng)
6.5.1 曲線波雙框架系統(tǒng)的構造
6.5.2 實驗結果與分析
6.6 曲線波網(wǎng)絡
6.6.1 曲線波網(wǎng)絡模型
6.6.2 實驗結果與分析
6.7 基于方向及尺度乘積的曲線波去噪方法
6.7.1 曲線波變換系數(shù)的特點
6.7.2 基于方向及尺度乘積的曲線波去噪算法
6.7.3 實驗結果與分析
6.8 基于曲線波隱馬爾可夫樹模型的SAR圖像去噪
6.8.1 曲線波隱馬爾可夫樹(HMT)模型
6.8.2 基于曲線波HMT模型的圖像去噪算法
6.8.3 實驗結果與分析
6.9 基于曲線波的圖像融合
6.9.1 基于曲線波的圖像融合方法
6.9.2 評價標準
6.9.3 實驗結果與分析
6.1 0基于曲線波的紋理分類
6.1 0.1 結合共生矩陣的曲線波特征提取及紋理分類算法
6.1 0.2 Curvelet紋理分類實驗
6.1 0.3 實驗結果與分析
6.1 1本章小結
本章參考文獻
第7章 梳狀波
7.1 引言
7.2 梳狀波變換理論
7.2.1 一維梳狀波基構造
7.2.2 二維梳狀波基構造
7.2.3 圖像的梳狀波變換
7.2.4 非下采樣梳狀波變換
7.3 基于梳狀波的紋理分類
7.3.1 基于梳狀波復特征的紋理分類
7.3.2 基于非下采樣梳狀波紋理分類
7.4 基于梳狀波的圖像分割
7.4.1 融合梳狀波方向特性的無監(jiān)督圖像分割
7.4.2 基于非下采樣梳狀波變換的紋理圖像分割
7.4.3 基于梳狀波共生矩陣的圖像分割
7.4.4 基于梳狀波統(tǒng)計特征的紋理分割
7.4.5 基于小波和梳狀波變換域特征融合的無監(jiān)督圖像分割
7.5 基于梳狀波變換和徑向基函數(shù)神經(jīng)網(wǎng)絡的指紋方向場提取
7.6 梳狀波變換分層編碼壓縮
7.6.1 基于梳狀波壓縮算法
7.6.2 對比實驗及結果分析
7.7 基于梳狀波和Wedgelet的圖像融合
7.7.1 融合規(guī)則
7.7.2 融合結果的評價指標
7.7.3 基于梳狀波和Wedgelet的圖像融合算法
7.7.4 對比實驗及結果分析
7.7.5 小結
7.8 本章小結
本章參考文獻
第8章 子束波
8.1 引言
8.2 Beamlet框架的構造
8.3 Beamlet分析
8.3.1 Beamlet字典
8.3.2 Beamlet變換
8.3.3 Beamlet金字塔
8.3.4 Beamlet圖
8.4 Beamlet算法設計
8.4.1 無結構算法
8.4.2 樹狀結構算法
8.4.3 線段的局部鏈接
8.4.4 線段的全部鏈接
8.5 本章小結
本章參考文獻
第9章 楔形波
9.1 引言
9.2 楔形波概述
9.2.1 楔形波基本理論
9.2.2 楔形波分解
9.2.3 楔形波構造
9.3 楔形波逼近理論及其改進算法
9.3.1 楔形波逼近理論
9.3.2 楔形波逼近理論改進算法
9.3.3 時間效率對比與改進算法的逼近效果
9.4 基于楔形波的SAR圖像邊緣檢測
9.4.1 楔形波基函數(shù)
9.4.2 基于楔形波逼近理論改進算法的圖像邊緣檢測
9.4.3 結合MSP－RoA算法的楔形波的SAR圖像邊緣檢測
9.5 基于楔形波和對偶樹復小波的SAR圖像斑點噪聲抑制
9.5.1 算法構造
9.5.2 試驗結果與分析
9.6 基于Cartoon與紋理模型的楔形波圖像壓縮
9.6.1 算法構造
9.6.2 實驗結果與分析
9.7 基于楔形波的圖像融合
9.7.1 融合規(guī)則
9.7.2 融合結果的評價指標
9.7.3 基于楔形波的圖像融合
9.7.4 實驗結果與分析
9.8 本章小結
本章參考文獻
第10章 輪廓波
10.1 引言
10.2 輪廓波變換
10.3 非下采樣輪廓波變換
10.4 基于輪廓波的SAR圖像相干斑抑制
10.4.1 基于輪廓波HMM的SAR圖像相干斑抑制
10.4.2 統(tǒng)計先驗指導的NSCT域SAR圖像降斑
10.5 基于非下采樣輪廓波變換的圖像融合
10.5.1 基于活性測度和閉環(huán)反饋的NSCT域遙感圖像融合
10.5.2 基于克隆選擇和NSCT的紅外與可見光圖像融合
10.5.3 基于NSCT和LHS變換的多光譜和高分辨圖像融合
10.6 基于輪廓波的紋理分割與分類
10.6.1 結合多層小波和輪廓波分解的紋理圖像分割
10.6.2 基于SVM和多層小波輪廓波分解的紋理圖像分割
10.6.3 基于WBCT和克隆選擇算法的紋理圖像分類
10.6.4 基于SWBCT的紋理圖像分類
10.7 基于輪廓波的目標識別
10.7.1 基于輪廓波和核Fisher判別分析的特征提取
10.7.2 基于小波和輪廓波的目標識別
10.7.3 基于SWBCT和投影方法的目標識別
10.7.4 基于最優(yōu)輪廓波包網(wǎng)絡的目標識別
10.8 本章小結
本章參考文獻
第11章 條帶波
11.1 引言
11.2 小波逼近和幾何圖像表示
11.2.1 基于視覺特性的圖像處理現(xiàn)狀
11.2.2 小波的非線性圖像逼近
11.2.3 幾何圖像表示
11.3 第一代條帶波變換
11.3.1 條帶波基
11.3.2 彎曲小波變換
11.3.3 快速離散條帶波變換
11.4 第二代條帶波變換
11.4.1 第二代條帶波的構造思想
11.4.2 第二代條帶波的主要實現(xiàn)步驟
11.4.3 最優(yōu)幾何方向的選擇
11.5 基于第二代條帶波變換的圖像壓縮
11.5.1 基于第二代條帶波變換的圖像壓縮編碼
11.5.2 基于第二代條帶波和SPIHT的圖像壓縮
11.5.3 基于圖像分層表示的第二代條帶波域圖像壓縮
11.6 基于第二代條帶波變換的圖像去噪
11.6.1 基于第二代條帶波的多層自適應閾值的圖像去噪
11.6.2 基于平穩(wěn)第二代條帶波的圖像去噪
11.6.3 基于廣義交叉驗證和第二代平移不變條帶波的SAR圖像相干斑抑制
11.6.4 結論
11.7 基于第二代條帶波變換的多聚焦圖像融合
11.8 基于第二代條帶波變換的圖像分割
11.9 本章小結
本章參考文獻
第12章 方向波
12.1 引言
12.2 各向異性二維小波分解
12.2.1 完全可分離小波變換
12.2.2 各向異性小波變換
12.3 基于格的斜小波變換
12.3.1 整數(shù)格理論
12.3.2 斜小波變換
12.3.3 多相表示
12.4 基于整數(shù)格邊緣檢測的圖像融合
12.4.1 基于整數(shù)格的邊緣提取
12.4.2 圖像融合準則
12.4.3 算法實現(xiàn)策略
12.4.4 融合結果評估
12.4.5 對比實驗及結果分析
12.4.6 結論
12.5 融合紋理奇異性的圖像分割
12.5.1 基于灰度共生矩陣的特征提取
12.5.2 基于小波變換的特征提取
12.5.3 基于整數(shù)格的特征提取
12.5.4 對比實驗及結果分析
12.5.5 結論
12.6 本章小結
本章參考文獻
第13章 剪切波
13.1 引言
13.2 剪切波
13.3 使用連續(xù)剪切波分析邊緣
13.4 離散剪切波變換
13.5 本章小結
本章參考文獻