超小波分析及应用PDF|Epub|txt|kindle电子书版本网盘下载

超小波分析及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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Ridgelet16

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-DFB35

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Bandelets124

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NSCT179

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