超小波分析及应用PDF电子书下载

第1章 超小波分析的学习方法 1

1.1超小波分析学习的对策 2

1.2新知识和技术进展学习攻守策略 3

1.3工程训练或研究课题推荐学习方式 3

第2章 多分辨分析和塔式算法 5

2.1多分辨分析 5

2.2 Mallat算法 6

2.3小波包变换的Mallat算法 6

2.3.1小波包分解的Mallat算法 6

2.3.2小波包合成的Mallat算法 7

2.4金字塔算法 7

2.4.1信号的分解过程 7

2.4.2空间的分解过程 8

2.4.3系数的分解过程 8

2.4.4信号的重建过程 8

2.4.5空间的重建过程 9

2.4.6系数的重建过程 9

2.5小波包完全分解的空间塔式结构 9

2.6二维小波变换的Mallat算法 10

2.6.1二维多分辨分析 10

2.6.2二维小波变换及小波包变换的Mallat算法 11

第3章 脊波和曲波变换 13

3.1 Ridgelet变换的定义 13

3.1.1一维Ridgelet变换 13

3.1.2二维Ridgelet变换 14

3.2正交Ridgelet变换 16

3.3单尺度和多尺度Ridgelet 16

3.3.1单尺度Ridgelet变换 16

3.3.2多尺度Ridgelet变换 17

3.4 Ridgelet变换的应用 17

3.4.1基于Ridgelet变换的图像去噪 18

3.4.2基于Ridgelet变换的图像压缩 19

3.4.3 Ridgelet变换的其他应用 19

3.5 Curvelet变换 21

3.5.1 Curvelet变换的提出 21

3.5.2 Curvelet变换的研究进展及现状 21

3.5.3第一代Curvelet变换 22

3.5.4实现过程 23

3.6第二代Curvelet变换 23

3.6.1连续Curvelet变换 23

3.6.2离散Curvelet变换 25

3.6.3实现方法 26

3.7 Curvelet系数分析 26

3.7.1结构分析 27

3.7.2统计分析 27

3.7.3特征分析 28

3.8 Curvelet变换的应用 29

3.8.1基于Curvelet变换的图像去噪 29

3.8.2基于Curvelet变换的图像增强 30

第4章3D-DFB和Surfacelet变换 33

4.1 DFB的起源 33

4.2预备知识 34

4.3 3D-DFB 35

4.3.1核心思想 35

4.3.2第一层沙漏滤波器组 37

4.3.3其他层的分解 37

4.4 Surfacelet变换 39

4.4.1 Surfacelet变换的结构 39

4.4.2 Surfacelet变换的性质 40

4.4.3 Surfacelet变换系数分析 41

4.5程序测试结果 41

4.5.1三维图形分解 42

4.5.2视频处理 42

4.5.3系数矩阵分析 43

第5章 方向波与楔波变换 46

5.1方向波 46

5.2各向异性二维小波分解 48

5.3基于格子的歪斜小波变换 52

5.4非线性逼近和压缩 60

5.5 Wedgelet变换 64

5.6多分辨率Wedgelet变换 66

5.7 Wedgelet变换应用 68

5.7.1 Wedgelet非线性逼近 68

5.7.2去噪 69

附录5.1原始和变换域里的MSE的关系 71

附录5.2定理5.1的证明 71

第6章 基于小波变换的高光谱图像压缩新方法 79

6.1三维光谱压缩的必要性 79

6.2 KLT*基本理论 80

6.2.1 KLT*的统计特征分析 81

6.2.2高光谱图像的谱特性分析 82

6.2.3 KLT*方法在消除谱相关性的应用 87

6.2.4实验结果和讨论 89

6.3对块零树编码压缩方法对超光谱数据压缩 89

6.4基于KLT/WT和谱特征矢量量化三维谱像数据压缩 94

6.4.1谱特征分类矢量量化（SFCVQ）压缩编码 94

6.4.2 SFCVQ压缩编码的实验结果与讨论 95

6.4.3基于PKLT和IWT的多光谱图像压缩系统 96

6.4.4自适应分谱段的改进式KL变换／整数小波变换／SPIHT压缩 99

6.4.5三维整数小波变换／三维SPIHT*压缩 101

6.5实验结果和结论 104

第7章Bandelet变换及其应用 111

7.1 Bandelet变换的基本概念和算法 111

7.2几何正则图像和几何流 112

7.3在特定区域内选择最佳几何流 112

7.4图像的四叉树分割 113

7.5 Bandelet变换算法流程 114

7.6快速离散Bandelet转换 114

7.6.1沿着几何流的重采样 115

7.6.2离散弯曲小波和小波包转换 116

7.6.3 Bandelet化 121

7.7图像的稀疏表示 122

7.7.1非线性图像小波逼近 122

7.7.2几何图像表示 124

7.8沿几何流的Bandelets 124

7.8.1 Bandelet块函数 125

7.8.2最优化几何逼近 128

7.9快速几何最优化 129

7.9.1图像压缩 129

7.9.2噪声消除 134

7.9.3一种基于Bandelet变换的图像编码方法 136

7.10基于Bandelet变换的图像融合 139

结论 143

第8章Beamlet及其应用 145

8.1基本理论 145

8.1.1建立小线库目标数据库 145

8.1.2小线变换 146

8.1.3建立小线金字塔 147

8.1.4建立小线图 147

8.1.5小线算法 148

8.2 Beamlet应用 148

8.2.1小线检测 149

8.2.2 JBeam： Beamlet用于多尺度曲线编码 152

第9章Contourlet变换及其应用 159

9.1 Contourlet的原理 159

9.1.1拉普拉斯金字塔 160

9.1.2方向滤波器（DFB） 160

9.1.3多尺度、多方向分解：塔型方向滤波器组 164

9.2Contourlet的应用 166

9.2.1基于Contourlet变换的图像去噪 166

9.2.2基于Contourlet变换的图像融合 174

9.3基于Contourlet变换的图像增强 179

9.3.1构建NSCT 179

9.3.2 NSCT图形增强算法 182

9.3.3实验结果 182

第10章 脉冲耦合神经网络与小波变换 185

10.1脉冲耦合神经网络的基本原理 185

10.2脉冲耦合神经网络的特点 187

10.3脉冲耦合神经网络的应用及其分类 190

10.3.1图像中的脉冲耦合神经网络设计 190

10.3.2基于脉冲耦合神经网络的图像分割 192

10.4脉冲耦合神经网络与小波变换比较 193

10.5脉冲耦合神经网络PCNN与小波变换应用 194

10.5.1小波多尺度脉冲耦合神经网络的基本原理 195

10.5.2基于脉冲耦合神经网络的高频融合算法实现 195

10.5.3改进的脉冲耦合神经网络高频图像融合方法 199

10.5.4基于脉冲耦合神经网络低频图像融合方法 205

10.5.5综合高频改进PCNN与低频PCNN的融合方法 209

10.5.6基于区域点火特性的多聚焦图像融合 210

10.5.7基于方向性信息激发的脉冲耦合神经网络融合方法 216