包邮移不变坑混叠多尺度几何分析及其在SAR图像处理中的应用

第1章  绪论  1.1  研究背景、目的及意义  1.2  小波分析及其局限性    1.2.1  小波的产生    1.2.2  小波分析在图像处理中的应用概况    1.2.3  图像小波分析的局限性  1.3  多尺度几何分析理论及其存在的问题    1.3.1  多尺度几何分析理论的发展    1.3.2  多尺度几何分析理论存在的问题  1.4  sar图像处理关键技术研究内容及现状    1.4.1  sar图像相干斑抑制    1.4.2  sar图像复原    1.4.3  sar图像与多光谱遥感图像融合    1.4.4  遥感图像分类  1.5  本书主要工作及结构    1.5.1  本书主要工作    1.5.2  本书结构第2章  移不变抗混叠多尺度几何分析理论基础  2.1  小波分析基本理论    2.1.1  连续小波变换    2.1.2  离散小波变换    2.1.3  多分辨率分析    2.1.4  双正交小波变换    2.1.5  mallat算法与双通道滤波器组  2.2  小波分析的局限  2.3  滤波器组的移不变性与抗混叠性    2.3.1  滤波器组的平移不变性    2.3.2  滤波器组的抗混叠性与平移不变性的关系  2.4  移不变离散小波变换    2.4.1  平稳小波变换    2.4.2  过完备离散小波变换  2.5  移不变多尺度几何分析    2.5.1  双树复小波变换    2.5.2  控向金字塔变换    2.5.3  非下采样contourlet变换  2.6  本章小结第3章  移不变抗混叠多尺度几何分析方法的构造研究  3.1  ridgelet变换及其存在的问题    3.1.1  连续ridgelet变换    3.1.2  单尺度ridgelet变换    3.1.3  图像的离散ridgelet变换    3.1.4  数字ridgelet变换存在的问题  3.2  复数ridgelet变换的构造    3.2.1  复数ridgelet变换    3.2.2  基于复数ridgelet变换的软阈值图像去噪  3.3  curvelet变换及其存在的问题    3.3.1  **代curvelet变换    3.3.2  第二代curvelet变换    3.3.3  curvekt变换的性质    3.3.4  curvelet变换存在的问题  3.4  复数curvelet变换的构造    3.4.1  复数curvelet变换    3.4.2  基于复数curvelet变换的硬闽值图像去噪  3.5  contourlet变换    3.5.1  拉普拉斯塔型变换    3.5.2  方向滤波器组    3.5.3  塔型方向滤波器组    3.5.4  contouilet变换的特性  3.6  contourlet变换存在的问题    3.6.1  contourlet变换的等效滤波器组    3.6.2  方向滤波器组中的频谱混叠    3.6.3  拉普拉斯塔型变换中的频谱混叠  3.7  移不变抗混叠contourlet变换的构造    3.7.1  复数方向滤波器组    3.7.2  移不变抗混叠塔式分解    3.7.3  移不变抗混叠contourlet变换    3.7.4  基于sinact的硬阈值图像去噪  3.8  本章小结第4章  基于移不变抗混叠多尺度几何分析方法的sar图像斑点噪声抑制研究  4.1  sar成像原理及斑点噪声特征    4.1.1  sar成像原理    4.1.2  相干斑噪声产生机理    4.1.3  相干斑噪声特性分析  4.2  传统sar图像滤波方法    4.2.1  空域滤波    4.2.2  小波域滤波  4.3  复小波包域局部邻域窗口阈值sar图像去噪    4.3.1  四树复小波包变换    4.3.2  选择*优复小波包基    4.3.3  局部邻域窗口阈值sar图像去噪    4.3.4  实验结果  4.4  基于sinact的混合统计模型sar图像去噪  4.5  本章小结第5章  sinact域sar图像复原研究  5.1  图像线性退化模型  5.2  图像盲复原算法    5.2.1  ibd复原算法    5.2.2  sa复原算法    5.3.2  nas-rif复原算法  5.3  sar图像降质分析    5.3.1  回波相干    5.3.2  成像系统模糊降质    5.3.3  几何失真  5.4  sar图像降质模型  5.5  基于sinact域gsm模型sar图像复原研究    5.5.1  小波系数的统计特征与gsm模型    5.5.2  小波域bsl估计与gsm模型检验    5.5.3  sinact局部邻域gsm退化模型    5.5.4  sinact域gsm模型sar图像复原算法    5.5.5  实验结果  5.6  本章小结第6章  基于sinact的sar图像与多光谱图像融合研究  6.1  sar图像与多光谱图像的各自优势比较  6.2  传统的图像融合方法    6.2.1  加权平均图像融合    6.2.2  pca融合    6.2.3  多分辨率塔式融合    6.2.4  小波变换融合  6.3  图像融合效果评价    6.3.1  图像融合质量的主观评价    6.3.2  图像融合质量的客观评价  6.4  基于sinact的图像融合方案  6.5  基于sinact的图像融合算法  6.6  实验结果与评价  6.7  本章小结第7章  基于分形脊波神经网络的sar图像分类研究  7.1  sar图像分类技术现状分析  7.2  分类器的介绍和评价    7.2.1  极大似然分类    7.2.2  *小距离分类    7.2.3  bp神经网络分类  7.3  分类精度评价  7.4  基于遗传算法和分形脊波神经网络的遥感图像分类方法    7.4.1  分类方案设计    7.4.2  基于分形理论的纹理特征    7.4.3  基于不变矩的形状特征    7.4.4  基于遗传算法的脊波神经网络的构造    7.4.5  实验结果与评价  7.5  本章小结第8章  结论与展望  8.1  本书工作总结  8.2  本书不足之处与后续工作展望参考文献索引