《超小波分析及套用》是2008年國防工業出版社出版的圖書，作者是閆敬文，屈小波。本書以概要形式講述超小波分析的基本理論，並緊密結合實踐套用研究。
基本介紹
- 書名：超小波分析及套用
- 作者：閆敬文，屈小波
- ISBN：9787118056495
- 頁數：225
- 出版社：國防工業出版社
- 出版時間：2008-06-01
- 裝幀：平裝
- 開本：16開
- 版次：1
內容簡介,目錄,
內容簡介
本書第1章介紹本門課程的學習方法，介紹如何開展課程學習方法、新技術學習對策和工程訓練推薦方式。第2章概要介紹套用小波分析和套用時必須掌握的小波分析內容，即多尺度分析和Mallat算法。超小波是基於小波分析基礎之上新的多尺度分析，不了解小波分析直接去學習，顯然不合適。本章主要向讀者介紹必須掌握的小波分析內容。第3章由小波變換引入到脊波和曲波分析，介紹其方向性的優點，並結合其特點，進行初步的套用研究。第4章介紹3D—DFB和Surfacelet變換。第5章介紹方向波與楔波變換。第6章介紹高光譜壓縮。第7章介紹Bandelet變換和套用。第8章介紹小線變換。第9章介紹Contourlet變換及其套用。第10章介紹脈衝耦合神經網路（PCNN）與小波變換。 本書以精縮的理論知識、實踐教學和工程訓練相結合，可以作為計算機套用、通信工程和電子工程專業碩士和博士研究生、工程碩士、教師及工程技術人員學習數字圖像處理、圖像分析和基本圖形學技術研究型教材、參考書和實驗教學指導書。具有較強計算機編程能力和紮實理論的高年級本科生，可以選取其中適合部分內容作為工程訓練的基本教材。
目錄
第1章 超小波分析的學習方法
1.1 超小波分析學習的對策
1.2 新知識和技術進展學習攻守策略
1.3 工程訓練或研究課題推薦學習方式
第2章 多分辨分析和塔式算法
2.1 多分辨分析
2.2 Mallat算法
2.3 小波包變換的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
2.4 金字塔算法
2.4.1 信號的分解過程
2.4.2 空間的分解過程
2.4.3 係數的分解過程
2.4.4 信號的重建過程
2.4.5 空間的重建過程
2.4.6 係數的重建過程
2.5 小波包完全分解的空間塔式結構
2.6 二維小波變換的Mallat算法
2.6.1 二維多分辨分析
2.6.2 二維小波變換及小波包變換的Mallat算法
第3章 脊波和曲波變換
3.1 Ridgelet變換的定義
3.1.1 一維Ridgelet變換
3.1.2 二維Ridgelet變換
3.2 正交Ridgelet變換
3.3 單尺度和多尺度Ridgelet
3.3.1 單尺度Ridgelet變換
3.3.2 多尺度Ridgelet變換
3.4 Ridgelet：變換的套用
3.4.1 基於Ridgelet變換的圖像去噪
3.4.2 基於Riclgelet變換的圖像壓縮
3.4.3 Ridgelet變換的其他套用
3.5 Curvelet變換
3.5.1 Curvelet變換的提出
3.5.2 Curvelet變換的研究進展及現狀
3.5.3 第一代Curvelet變換
3.5.4 實現過程
3.6 第二代Curvelet變換
3.6.1 連續Curvelet變換
3.6.2 離散Curvelet變換
3.6.3 實現方法
3.7 Curvelel：係數分析
3.7.1 結構分析
3.7.2 統計分析
3.7.3 特徵分析
3.8 Curvelet變換的套用
3.8.1 基於Curvelet變換的圖像去噪
3.8.2 基於Curvelet變換的圖像增強
第4章 3D—DFB和Surfacelet變換
4.1 DFB的起源
4.2 預備知識
4.3 3D-DFB
4.3.1 核心思想
4.3.2 第一層沙漏濾波器組
4.3.3 其他層的分解
4.4 Surfacelet變換
4.4.1 Surfacelet變換的結構
4.4.2 Surfacelet變換的性質
4.4.3 Surfacelet變換係數分析
4.5 程式測試結果
4.5.1 三維圖形分解
4.5.2 視頻處理
4.5.3 係數矩陣分析
第5章 方向波與楔波變換
5.1 方向波
5.2 各向異性二維小波分解
5.3 基於格子的歪斜小波變換
5.4 非線性逼近和壓縮
5.5 Wedgelet變換
5.6 多解析度Wedgelet變換
5.7 Wedgelet變換套用
5.7.1 Wedgelet非線性逼近
5.7.2 去噪
附錄5.1 原始和變換域裡的MSE的關係
附錄5.2 定理5.1的證明
第6章 基於小波變換的高光譜圖像壓縮新方法
6.1 三維光譜壓縮的必要性
6.2 KLT基本理論
6.2.1 KLT的統計特徵分析
6.2.2 高光譜圖像的譜特性分析
6.2.3 KLT方法在消除譜相關性的套用
6.2.4 實驗結果和討論
6.3 對塊零樹編碼壓縮方法對超光譜數據壓縮
6.4 基於KLT/WT和譜特徵矢量量化三維譜像數據壓縮
6.4.1 譜特徵分類矢量量化（SFCVQ）壓縮編碼
6.4.2 SFCVQ壓縮編碼的實驗結果與討論
6.4.3 基於PKLT和IWT的多光譜圖像壓縮系統
6.4.4 自適應分譜段的改進式KL變換/整數小波變換/SPIHT壓縮
6.4.5 三維整數小波變換/三維SPIHT壓縮
6.5 實驗結果和結論
第7章 Bandelet變換及其套用
7.1 Bandelet變換的基本概念和算法
7.2 幾何正則圖像和幾何流
7.3 在特定區域內選擇最佳幾何流
7.4 圖像的四叉樹分割
7.5 Bandelet變換算法流程
7.6 快速離散Bandelet轉換
7.6.1 沿著幾何流的重採樣
7.6.2 離散彎曲小波和小波包轉換
7.6.3 Bandelet化
7.7 圖像的稀疏表示
7.7.1 非線性圖像小波逼近
7.7.2 幾何圖像表示
7.8 沿幾何流的Bandelets
7.8.1 Bandelet塊函式
7.8.2 最最佳化幾何逼近
7.9 快速幾何最最佳化
7.9.1 圖像壓縮
7.9.2 噪聲消除
7.9.3 一種基於Bandelet變換的圖像編碼方法
7.10 基於Bandelet變換的圖像融合
結論
第8章 Beamlet及其套用
8.1 基本理論
8.1.1 建立小線庫目標資料庫
8.1.2 小線變換
8.1.3 建立小線金字塔
8.1.4 建立小線圖
8.1.5 小線算法
8.2 Beamlet套用
8.2.1 小線檢測
8.2.2 JBeam：Beamlet用於多尺度曲線編碼
第9章 Contourlet變換及其套用
9.1 Contourlet的原理
9.1.1 拉普拉斯金字塔
9.1.2 方向濾波器（DFB）
9.1.3 多尺度、多方向分解：塔型方向濾波器組
9.2 Contourlet的套用
9.2.1 基於Contourlet變換的圖像去噪
9.2.2 基於Contourlet變換的圖像融合
9.3 基於Comtotlrlet變換的圖像增強
9.3.1 構建NSCT
9.3.2 NSCT圖形增強算法
9.3.3 實驗結果
第10章 脈衝耦合神經網路與小波變換
10.1 脈衝耦合神經網路的基本原理
10.2 脈衝耦合神經網路的特點
10.3 脈衝耦合神經網路的套用及其分類
10.3.1 圖像中的脈衝耦合神經網路設計
10.3.2 基於脈衝耦合神經網路的圖像分割
10.4 脈衝耦合神經網路與小波變換比較
10.5 脈衝耦合神經網路PCNN與小波變換套用
10.5.1 小波多尺度脈衝耦合神經網路的基本原理
10.5.2 基於脈衝耦合神經網路的高頻融合算法實現
10.5.3 改進的脈衝耦合神經網路高頻圖像融合方法
10.5.4 基於脈衝耦合神經網路低頻圖像融合方法
10.5.5 綜合高頻改進PCNN與低頻PCNN的融合方法
10.5.6 基於區域點火特性的多聚焦圖像融合
10.5.7 基於方向性信息激發的脈衝耦合神經網路融合方法
