超小波分析及应用

1、超小波分析及应用目录第1章超小波分析的学习方法1超小波分析学习的对策2新知识和技术进展学习攻守策略3工程训练或研究课题推荐学习方式第2章多分辨分析和塔式算法1多分辨分析2. 2 Mallat算法2. 3小波包变换的Mallat算法2. 3. 1小波包分解的Mallat算法2. 3. 2小波包合成的Mallat算法4金字塔算法4. 1信号的分解过程4. 2空间的分解过程2. 4. 3系数的分解过程2. 4. 4信号的重建过程2. 4. 5空间的重建过程2. 4. 6系数的重建过程2. 5小波包完全分解的空间塔式结构2. 6二维小波变换的Mallat算法2. 6. 1二维多分辨分析6. 2二维小波

2、变换及小波包变换的Mallat算法第3章脊波和曲波变换1 Ridgele t变换的定义3. 1. 1 一维 Ridgele t 变换3. 1. 2 二维Ridgelet变换3. 2正交Ridgelet变换3. 3单尺度和多尺度Ridgelet3. 3. 1单尺度Ridgelet变换3. 3. 2多尺度Ridgelet变换3. 4 Ridgelet：变换的应用3. 4. 1基于Ridgelet变换的图像去噪3. 4. 2基于Riclgelet变换的图像压缩3. 4. 3 Ridgelet变换的其他应用5 Curvelet变换3. 5. 1 Curvelet变换的提出3. 5. 2 Curvele

3、t变换的研究进展及现状3. 5. 3 第一代Curvelet变换5. 4实现过程3. 6第二代Curvelet变换3. 6. 1 连续（2urvelet变换3. 6. 2 离散Curvelet变换363 实现方法3. 7 Curvelel：系数分析一7. 1结构分析7. 2统计分析7. 3特征分析3. 8 Curvelet变换的应用3. 8. 1基于Curvelet变换的图像去噪8. 2基于Curvelet变换的图像增强第4章 3D-DFB和 Surfacelet变换1 DFB的起源2预备知识3 3D-DFB3. 1核心思想3. 2第一层沙漏滤波器组3. 3其他层的分解4. 4 Surface

4、let变换4. 4. 1 Surfacelet变换的结构4. 4. 2 Surfacelet变换的性质4. 4. 3 Surface let变换系数分析4. 5程序测试结果4. 5. 1三维图形分解4. 5. 2视频处理5. 3系数矩阵分析第5章方向波与楔波变换1方向波2各向异性二维小波分解3基于格子的歪斜小波变换4非线性逼近和压缩5 Wedgelet变换5. 6 多分辨率Wedgelet换5. 7 Wedgelet变换应用7. 1 Wedgelet非线性逼近5.7.2去噪附录5. 1原始和变换域里的MSE的关系附录5. 2定理5. 1的证明第6章基于小波变换的高光谱图像压缩新方法1三维光谱压

5、缩的必要性6. 2 KLT基本理论6. 2. 1 KLT的统计特征分析6.2.2 高光谱图像的谱特性分析2. 3 KLT方法在消除谱相关性的应用2. 4实验结果和讨论3对块零树编码压缩方法对超光谱数据压缩4基于KLT/WT和谱特征矢量量化三维谱像数据压缩6. 4. 1谱特征分类矢量量化(SFCVQ)压缩编码6. 4. 2 SFCVQ压缩编码的实验结果与讨论6. 4. 3基于PKLT和IWT的多光谱图像压缩系统4. 4自适应分谱段的改进式KL变换/整数小波变换/ SPIHT压缩4. 5三维整数小波变换/三维SPIHT压缩5实验结果和结论第7章Bandelet变换及其应用1 Bandele t变换

6、的基本概念和算法2几何正则图像和几何流3在特定区域内选择最佳几何流4图像的四叉树分割7. 5 Bandelet变换算法流程7. 6快速离散Bandelet转换6. 1沿着几何流的重采样6. 2离散弯曲小波和小波包转换7. 6. 3 Bandelet化7图像的稀疏表示7. 1非线性图像小波逼近几何图像表示7. 8沿几何流的Bandelets7. 8. 1 Bandelet块函数8. 2最优化几何逼近7. 9快速几何最优化7. 9. 1图像压缩7. 9. 2噪声消除7. 9. 3 一种基于Bandelet变换的图像编码方法10基于Bandelet变换的图像融合结论第8章Beamlet及其应用1基本

7、理论1. 1建立小线库目标数据库1. 2小线变换1. 3建立小线金字塔1. 4建立小线图8.1.5 小线算法8. 2 Beamlet应用2. 1小线检测2. 2 JBeam： Beamlet用于多尺度曲线编码第9章Contourlet变换及其应用1 Contourlet 的原理1. 1拉普拉斯金字塔9. 1. 2方向滤波器(DFB)1. 3多尺度、多方向分解：塔型方向滤波器组9. 2 Contourlet的应用9. 2. 1基于Contourlet变换的图像去噪9. 2. 2基于Contourlet变换的图像融合9. 3基于C(mtotlrlet变换的图像增强9. 3. 1 构建NSCT9. 3. 2 NSCT图形增强算法实验结果第10章脉冲耦合神经网络与小波变换1脉冲耦合神经网络的基本原理2脉冲耦合神经网络的特点10. 3脉冲耦合神经网络的应用及其分类10. 3. 1图像中的脉冲耦合神经网络设计10. 3. 2基于脉冲耦合神经网络的图像分割10. 4脉冲耦合神经网络与小波变换比较10. 5脉冲耦合神经网络PCNN与小波变换应用10. 5. 1小波多尺度脉冲耦合神经网络的基本原理10. 5. 2基于脉冲耦合神经网络的高频融合算法实现10. 5. 3改进的脉冲耦