| 摘要 | 第1-10页 |
| Abstract | 第10-13页 |
| 插图索引 | 第13-15页 |
| 附表索引 | 第15-16页 |
| 第1章 绪论 | 第16-33页 |
| ·研究意义 | 第16-17页 |
| ·图像的多尺度几何分析 | 第17-23页 |
| ·多尺度几何分析的由来 | 第17-19页 |
| ·多尺度几何分析的研究现状 | 第19-22页 |
| ·多尺度几何分析理论存在的不足 | 第22-23页 |
| ·图像稀疏表示与压缩感知 | 第23-30页 |
| ·压缩感知理论的由来 | 第24-25页 |
| ·压缩感知理论的框架 | 第25-26页 |
| ·压缩感知理论的研究现状 | 第26-30页 |
| ·论文的主要创新点 | 第30-32页 |
| ·论文内容安排 | 第32-33页 |
| 第2章 方向性多尺度几何分析方法 | 第33-44页 |
| ·Contourlet变换 | 第33-35页 |
| ·非下采样Contourlet变换 | 第35-36页 |
| ·Beamlet变换 | 第36-39页 |
| ·Directionlet变换 | 第39-41页 |
| ·Shearlet变换 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第3章 基于多尺度几何分析的图像滤波 | 第44-70页 |
| ·传统图像滤波方法 | 第44-46页 |
| ·基于平移不变轮廓波的图像滤波 | 第46-52页 |
| ·滤波器的改进 | 第46-49页 |
| ·基于改进轮廓波的去噪算法 | 第49-50页 |
| ·算法仿真和实验分析 | 第50-52页 |
| ·基于Shearlet变换的去噪方法 | 第52-58页 |
| ·快速数字Shearlet框架构成 | 第52-53页 |
| ·SURE无偏估计 | 第53-54页 |
| ·Shearlet-SURE去噪算法 | 第54-56页 |
| ·实验结果及分析 | 第56-58页 |
| ·基于NSCT-Wave atom框架的压缩感知去噪模型 | 第58-69页 |
| ·Curvelet和Wave atom变换 | 第58-60页 |
| ·去噪框架 | 第60-65页 |
| ·数值试验 | 第65-69页 |
| ·本章小结 | 第69-70页 |
| 第4章 基于多尺度-压缩感知理论的图像融合 | 第70-109页 |
| ·图像融合主要算法 | 第70-73页 |
| ·图像源分类 | 第70-71页 |
| ·图像融合层次 | 第71页 |
| ·像素级图像融合 | 第71-72页 |
| ·基于多尺度的图像融合 | 第72-73页 |
| ·基于NSCT压缩域的融合方法 | 第73-80页 |
| ·低频子带系数选择方法 | 第74页 |
| ·带通方向子带系数选择方法 | 第74-76页 |
| ·试验分析 | 第76-80页 |
| ·基于插值Directionlet的融合方法 | 第80-92页 |
| ·插值Directionlet变换 | 第80-83页 |
| ·CS融合方法 | 第83-88页 |
| ·实验结果与分析 | 第88-92页 |
| ·基于改进Shearlet变换的融合方法 | 第92-101页 |
| ·改进Shearlet变换 | 第93-94页 |
| ·融合方法 | 第94-97页 |
| ·试验结果与分析 | 第97-101页 |
| ·基于NSCT-Beamlet变换的融合方法 | 第101-107页 |
| ·低频子带系数融合 | 第101-102页 |
| ·高频子带系数融合 | 第102-104页 |
| ·数值试验 | 第104-107页 |
| ·本章小结 | 第107-109页 |
| 第5章 基于多尺度-压缩感知的纹理图像分类 | 第109-133页 |
| ·纹理图像分析概述及方法 | 第109-112页 |
| ·纹理图像定义及纹理特征 | 第109-110页 |
| ·纹理分析算法 | 第110-112页 |
| ·基于Scattering描述子的纹理分类 | 第112-120页 |
| ·散射变换 | 第112-113页 |
| ·散射系数 | 第113-114页 |
| ·散射距离 | 第114-115页 |
| ·仿射模型选择以及纹理分类 | 第115-120页 |
| ·基于Curvelet-Scattering描述子的纹理分类 | 第120-126页 |
| ·Curvelet变换 | 第120-121页 |
| ·旋转不变Curvelet特征提取 | 第121-123页 |
| ·旋转规范化 | 第123-125页 |
| ·旋转不变性测试 | 第125页 |
| ·计算效率测试 | 第125-126页 |
| ·基于压缩域的纹理分类 | 第126-132页 |
| ·建立纹理稀疏模型 | 第126-127页 |
| ·观测降维 | 第127-131页 |
| ·分类测试 | 第131-132页 |
| ·本章小结 | 第132-133页 |
| 第6章 结论与展望 | 第133-136页 |
| 参考文献 | 第136-145页 |
| 致谢 | 第145-146页 |
| 附录A 发表的学术论文目录 | 第146页 |