Catálogo de teoría y aplicación del análisis geométrico multiescala de imágenes.

1.2 Aproximación dispersa

1.3 Del análisis de Fourier al análisis wavelet

1.4 Análisis geométrico multiescala

1.5 Multiescala transformación geométrica

1.5.1 Transformación Ridgelet y Ridgelet de escala única

1.5.2 Curvelet

1.5.3 Onda de peine (cepillo pequeño)

1.5.4 Haz fino

1.5.5 Cuña

1.5.6 Onda de contorno

1.5.7 Banda

1.5 .8 Red de orientación

1.5.9 Corte de corte

1.6 Propiedades de aproximación de transformación geométrica multiescala

1.7 Problemas existentes y direcciones de investigación futuras

1.8 Resumen de este capítulo

Introducción a las referencias 2.1 de este capítulo

2.2 Aproximación de la función objetivo multivariable

2.2.1 Aproximación de redes neuronales y aprendizaje

Estimación estadística

Teoría de aproximación

Análisis armónico

2.2.5 Red neuronal Wavelet

2.3 Estado de desarrollo de Ridgelet y perspectivas de aplicación

2.3.1 Logros actuales de Ridgelet

2.3.2 Transformación de Ridgelet continua y discreta

2.4 Problemas existentes e investigaciones adicionales La dirección de la transformada de radón del teorema de corte

3.2.2 Transformada wavelet binaria

3.2.3 Transformada Ridgelet discreta 2D

3.2.4 Generación de subbandas Ridgelet

3.3 Detección de características lineales basada en la transformación ridgelet

3.4 Resultados experimentales

3.5 Descripción general de este capítulo

Este capítulo presenta la referencia 4.1

4.2 Ridgelet, Ridgelet ortogonal y marco de Ridgelet

4.3 Construcción de marco dual en dominio Radón

4.4 Dibujar el diagrama isométrico desde L2 (2)

4.5 Marco doble L2 (R2)

4.6 Propiedades del marco doble

4.7 Experimento de eliminación de ruido

4.8 Descripción general de este capítulo

Referencias en este capítulo 5.1 Introducción

5.2 Red geométrica multiescala

5.3 Red ridgelet continua adaptativa

5.4 Análisis de rendimiento de convergencia

5.5 Resultados experimentales

5.6 Descripción general de este capítulo

Introducción a la referencia 6.1 de este capítulo

6.2 Transformación de onda curva

6.3 Características de marcos de onda curva

6.4 Transformación de onda curva de segunda generación

6.5 Sistema de marco doble de onda curva

6.5.1 Sistema de marco doble de onda de arco Construcción

6.5.2 Resultados y análisis experimentales

6.6 Red de ondas curvas

6.6.1 Modelo de red de ondas curvas

6.6.2 Resultados y análisis experimentales

6.7 Método de eliminación de ruido de onda curva basado en dirección y producto de escala

6.7.1 Coeficiente de transformación de onda de curva característica

6.7.2 Basado en dirección Algoritmo de eliminación de ruido de Curvelet basado en suma producto a escala

6.7.3 Análisis y resultados experimentales

6.8 Eliminación de ruido de imágenes SAR basada en el modelo de árbol de Markov oculto de Curvelet

6.8.1 Árbol de Markov oculto de Curvelet (HMT) ) modelo

6.8.2 Algoritmo de eliminación de ruido de imagen basado en el modelo Curvelet HMT

6.8.3 Resultados y análisis experimentales

6.9 Fusión de imágenes basada en ondas de flexión

6.9.1 Método de fusión de imágenes basado en ondas de flexión

Criterios de evaluación

6.9.3 Resultados y análisis experimentales

6.10 Clasificación de texturas basada en ondas curvas

6.10.1 Combinación de extracción de características de ondas curvas y algoritmo de clasificación de texturas * * * Generación de matriz

6.10 .2 Experimento de clasificación de texturas wavelet

6.10. 3 Resultados y análisis experimentales

6.11 Este capítulo

Resumen

Introducción a las referencias 7.1 en este capítulo

7.2 Teoría de la transformada de peine

7.2.1 Estructura base de onda de peine unidimensional

7.2 .2 Estructura bidimensional basada en peine

7.2.3 Transformada de peine de imagen

7.2.4 Transformada de peine sin submuestreado

7.3 Basada en peine Clasificación de textura de ondas de peine

7.3.1 Clasificación de textura basada en características complejas de peine

7.3.2 Clasificación de textura basada en ondas de peine no submuestreadas

7.4 Imagen segmentación basada en onda de peine

7.4.1 Segmentación de imagen no supervisada basada en características de dirección de onda de peine

7.4.2 Segmentación de imagen de textura basada en transformación de onda de peine sin muestrear

7.4.3 Segmentación de imágenes basada en una matriz generadora de peine

7.4.4 Segmentación de texturas basada en características estadísticas de peine

7.4.5 Basado en suma de wavelets Segmentación de imágenes no supervisada con fusión de características de dominio de transformación de peine

7.5 Extracción del campo de dirección de huellas dactilares basada en transformación de peine y red neuronal con función de base radial

7.6 Capas de transformación de peine Compresión de codificación

7.6.1 Algoritmo de compresión basado en peine onda

7.6.2 Experimento comparativo y análisis de resultados

7.7 Imagen basada en fusión de onda de peine y onda de cuña

7.7.1 Reglas de fusión

7.7.2 Índice de evaluación de resultados de fusión

7.7.3 Algoritmo de fusión de imágenes basado en onda de peine y onda de cuña

7.7.4 Experimento comparativo y análisis de resultados

Resumen

7.8 Descripción general de este capítulo

Introducción a la referencia 8.1 de este capítulo

8.2 Construcción de un marco de vigas pequeñas

8.3 Análisis de haz fino

8.3.1 Diccionario Wavelet

Conversión de haz pequeño

Pirámide de haz fino

Diagrama de haz fino

p>

8.4 Diseño de algoritmo de haz fino

8.4.1 Algoritmo no estructurado

8.4.2 Algoritmo de estructura de árbol

8.4.3 Enlaces locales de segmentos de línea

8.4.4 Todos los enlaces de segmentos de línea

8.5 Descripción general de este capítulo

Este capítulo proporciona una referencia a las referencias Introducción a 9.1

9.2 Descripción general de las ondas de cuña

9.2.1 Teoría básica de las ondas de cuña

Descomposición de las ondas de cuña

9.2.3 Estructura de las ondas de cuña

9.3 Teoría de aproximación de ondas de cuña y su algoritmo mejorado

9.3.1 Teoría de aproximación de ondas de cuña

9.3.2 Algoritmo mejorado de teoría de aproximación de ondas de cuña

9.3 .3 Comparación de la eficiencia del tiempo y el efecto de aproximación de algoritmos mejorados

9.4 Detección de bordes de imágenes SAR basada en una onda en forma de cuña

9.4.1 Función de base de onda de cuña

p>

9.4.2 Detección de bordes de onda de imagen basada en un algoritmo mejorado de la teoría de aproximación de onda de cuña

9.4.3 Detección de borde de onda de cuña de imagen SAR basada en el algoritmo MSP-RoA

9.5 Basado en la supresión del ruido moteado de la imagen SAR mediante ondas de cuña y ondas complejas de doble árbol

9.5.1 Construcción de algoritmos

9.5.2 Resultados y análisis de pruebas

9.6 Basado en la compresión de imágenes de dibujos animados y Wedgelet del modelo de textura

9.6.1 Construcción de algoritmos

9.6.2 Análisis y resultados experimentales

9.7 Fusión de imágenes basada en onda de cuña

9.7.1 Reglas de fusión

9.7.2 Índice de evaluación de resultados de fusión

9.7.3 Fusión de imágenes basada en onda de cuña

9.7.4 Resultados y análisis del experimento

9.8 Descripción general de este capítulo

Introducción a las referencias 10.1 de este capítulo

10.2 Transformación de contorno

10.3 Transformación de contornos sin submuestreado

10.4 Supresión de moteado de imagen SAR basada en ondas de contorno

10.4.1 Supresión de moteado de imagen SAR basada en ondas de contorno HMM

10.4 .2 Orientación estadística previa Supresión de moteado de coherencia en imágenes SAR del dominio NSCT

10.5 Fusión de imágenes basada en transformación de contorno no submuestreada

Basado en medida de actividad

Fusión de imágenes de teledetección del dominio NSCT con retroalimentación de circuito cerrado.

Fusión de imágenes de luz infrarroja y visible basada en selección clonal y NSCT

10.5.3 Fusión de imágenes multiespectrales de alta resolución basada en NSCT y transformada LHS

10.6 Basado sobre segmentación de texturas y clasificación de contourlet

Segmentación de imágenes de textura basada en wavelet multicapa y descomposición de contourlet

Segmentación de imagen de textura basada en SVM y descomposición de contourlet wavelet multicapa

10.6.3 Clasificación de imágenes de textura basada en WBCT y algoritmo de selección de clones

Clasificación de imágenes de textura basada en SWBCT

10.7 Reconocimiento de objetivos basado en ondas de contorno

10.7.1 Extracción de características basada en análisis discriminante de Fisher de contorno y kernel

Reconocimiento de objetivos basado en wavelet y contorno

10.7.3 Reconocimiento de objetivos basado en SWBCT y método de proyección

Reconocimiento de objetivos basado en una red de paquetes de ondas de contorno óptima

10.8 Resumen de este capítulo

Consulte 11.1 Introducción a este capítulo

11.2 Aproximación de ondas e imagen geométrica representación

11.2.1 Estado de procesamiento de imágenes basado en características visuales

11.2.2 Aproximación de imagen no lineal de wavelet

11.2.3 Representación geométrica de imagen

11.3 Transformada de onda de banda de primera generación

11.3.1 Base de onda de barra

11.3.2 Transformada de ondícula curva

11.3.3 Onda de banda discreta rápida transformación

11.4 Transformación de onda rayada de segunda generación

Ideas de construcción de la banda de segunda generación

11.4.2 Principales pasos de implementación de la onda rayada de segunda generación

p>

11.4.3 Selección de la mejor dirección geométrica

11.5 Compresión de imágenes basada en la transformada wavelet de segunda generación

11.5.1 basada en Transformación striplet de segunda generación Codificación de compresión de imágenes.

11.5.2 Compresión de imágenes basada en Bandwave de segunda generación y SPIHT

11.5.3 Compresión de imágenes de segunda generación basada en la representación jerárquica de la imagen.

11.6 Eliminación de ruido de imagen basada en la transformada wavelet de segunda generación

11.6.1 Eliminación de ruido de imagen basada en el umbral adaptativo multicapa de banda de segunda generación

Basado en imagen Eliminación de ruido de ondas de banda estacionarias de segunda generación

11.6.3 Supresión de moteado de imágenes SAR basada en validación cruzada generalizada y ondas de banda invariantes de traducción de segunda generación

11.6.4 Conclusión< / p>

11.7 Fusión de imágenes de enfoque múltiple basada en la transformada de onda de banda de segunda generación

11.8 Segmentación de imágenes basada en la transformada Wavelet de segunda generación

11.9 Resumen de este capítulo

Introducción a la referencia 12.5438+0 en este capítulo

12.2 Descomposición wavelet anisotrópica 2D

12.2.1 Transformada wavelet completamente separable

12.2.2 Cada transformada wavelet anisotrópica

12.3 Transformada wavelet oblicua basada en celosía

12.3.1 Teoría de la red entera

12.3.2 Transformada wavelet oblicua

12.3.3 Representación polifásica

Fusión de imágenes basada en la detección de bordes de celosía entera

12.4.1 Extracción de bordes basada en celosía entera

12.4.2 Estándar de fusión de imágenes

12.4.3 Estrategia de implementación del algoritmo

12.4.4 Evaluación de resultados de fusión

12.4.5 Experimento comparativo y análisis de resultados

12.4. 6 Conclusión

12.5 Segmentación de imágenes basada en la singularidad de la textura

12.5.1 Extracción de características basada en escala de grises* * *matriz generadora

Basada en extracción de características de transformación wavelet

12.5.3 Extracción de características basada en celosía de enteros

12.5.4 Experimento comparativo y análisis de resultados

12.5.5 Conclusión

12.6 Resumen de este capítulo

Introducción a la referencia 13 438+0 de este capítulo

13.2 Ondas de corte

13.3 Análisis de bordes utilizando ondas de corte continuas

13.4 Transformada de onda de corte discreta

13.5 Resumen de este capítulo

Referencias en este capítulo

……