| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·研究意义 | 第8-9页 |
| ·小波分析及存在问题 | 第9-11页 |
| ·小波变换 | 第9-11页 |
| ·小波分析的局限 | 第11页 |
| ·多尺度方向分析的研究现状 | 第11-13页 |
| ·课题来源 | 第13-14页 |
| ·本文的主要工作 | 第14-15页 |
| 2 CONTOURLET变换及其统计模型 | 第15-34页 |
| ·引言 | 第15页 |
| ·离散Contourlet变换构造 | 第15-23页 |
| ·拉普拉斯金字塔 | 第15-17页 |
| ·方向滤波器组 | 第17-22页 |
| ·核心问题 | 第17页 |
| ·二维多采样率系统基础知识 | 第17-19页 |
| ·梅花滤波器组 | 第19-20页 |
| ·方向滤波器组的构成 | 第20-22页 |
| ·Contourlet实现的塔式多方向滤波器组 | 第22-23页 |
| ·Contourlet的统计模型 | 第23-33页 |
| ·统计模型研究的意义 | 第23-24页 |
| ·Contourlet系数关系 | 第24-25页 |
| ·边缘概率分布 | 第25-28页 |
| ·联合概率分布 | 第28-31页 |
| ·Contourlet域的隐马尔可夫模型 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 3 基于CONTOURLET树结构逐次扫描收缩的图像去噪算法 | 第34-47页 |
| ·引言 | 第34页 |
| ·去噪问题的描述 | 第34-35页 |
| ·图像去噪的Contourlet域系数收缩算法 | 第35-37页 |
| ·一种基于Contourlet域树结构逐次扫描收缩的图像去噪算法 | 第37-41页 |
| ·系数收缩的局限 | 第37页 |
| ·噪声和图像系数区分准则 | 第37-38页 |
| ·树结构逐次扫描去噪算法 | 第38-40页 |
| ·算法分析 | 第40-41页 |
| ·循环平移方法 | 第41-42页 |
| ·实验结果与分析 | 第42-46页 |
| ·本章小结 | 第46-47页 |
| 4 基于CONTOURLET的自适应模糊特征增强算法 | 第47-54页 |
| ·引言 | 第47页 |
| ·相关工作 | 第47页 |
| ·基于Contourlet的自适应模糊特征增强算法 | 第47-51页 |
| ·问题的描述 | 第47-48页 |
| ·模糊增益算法 | 第48-51页 |
| ·增强效果分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 5 基于样本学习的CONTOURLET域图像分辨率增强算法 | 第54-63页 |
| ·引言 | 第54页 |
| ·相关工作 | 第54-55页 |
| ·基于Contourlet系数学习的分辨率增强算法 | 第55-59页 |
| ·系数学习的分辨率增强算法改进 | 第59-60页 |
| ·实验结果与分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 6 基于CONTOURLET的多聚焦图像融合算法 | 第63-70页 |
| ·引言 | 第63页 |
| ·基于Contourlet的融合算法 | 第63-66页 |
| ·融合方案 | 第63-65页 |
| ·融合规则 | 第65-66页 |
| ·实验结果与分析 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 结束语 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
