數(shù)字圖像處理（MATLAB版 第2版）

第1章 數(shù)字圖像處理學習方法
1.1 數(shù)字圖像處理技術(shù)學習對策
1.2 新知識和技術(shù)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
1.4 數(shù)字圖像處理技術(shù)的應用前景
第2章 小波分析基本理論
2.1 傅里葉變換到小波分析
2.2 積分小波變換和時間一頻率分析
2.3 小波的多分辨分析與分解重構(gòu)
2.4 Mallat算法
2.5 用提升方法構(gòu)造的整數(shù)小波
第3章 圖像處理中的壓縮編碼／解碼
3.1 標量量化的JPEG壓縮編碼
3.2 矢量量化編碼
3.3 基于小波變換的圖像壓縮
3.3.1 編碼原理
3.3.2 圖像統(tǒng)計特性和適合圖像數(shù)據(jù)壓縮小波基的確定
3.3.3 基于小波變換的零樹編碼和集復合樹編碼壓縮
3.3.4 基于小波變換的對塊零樹編碼壓縮
3.4 小波樹結(jié)構(gòu)快速矢量量化編碼方法
3.4.1 小波樹及其樹結(jié)構(gòu)矢量量化
3.4.2 小波樹結(jié)構(gòu)矢量量化壓縮編碼
3.4.3 小波樹結(jié)構(gòu)矢量量化編碼快速算法實現(xiàn)
3.5 碼矢量激勵預測編碼
3.5.1 預測圖
3.5.2 塊截短編碼
3.5.3 改進塊截短編碼
3.6 WT+IBTC壓縮研究實驗和結(jié)論
3.7 三維多光譜數(shù)據(jù)壓縮
3.7.1 多光譜遙感圖像KLT及其統(tǒng)計特征分析
3.7.2 KLT碼流分配的方法設計
3.7.3 實驗結(jié)果和討論
3.8 本章部分程序
習題
第4章 空間域內(nèi)圖像增強
4.1 均值濾波
4.1.1 均值濾波的基本理論
4.1.2 均值濾波器
4.2 線性加權(quán)濾波
4.3 梯度倒數(shù)加權(quán)濾波
4.4 基于Digital TV模型的線性濾波器
4.4.1 TV模型
4.4.2 Digital TV線性濾波器
4.5 邊緣檢測和噪聲分類相結(jié)合的線性濾波器
4.5.1 圖像邊緣檢測算子
4.5.2 分塊平均邊緣檢測和噪聲分類相結(jié)合的濾波器
4.6 中值濾波器
4.7 基于個數(shù)判斷脈沖噪聲的中值濾波器
4.8 自適應門限的中值濾波器
4.9 圖像增強
4.10 直方圖處理
4.10.1 直方圖均衡化
4.10.2 直方圖規(guī)定化
小結(jié)
習題
第5章 頻率域內(nèi)圖像增強
5.1 用巴特沃斯（Butterworth）濾波器進行圖像濾波設計
5.1.1 點陣圖像的頻譜特性及濾波方案
5.1.2 模擬巴特沃斯低通濾波器設計
5.1.3 模擬低通濾波器轉(zhuǎn)變?yōu)閿?shù)字低通濾波器
5.1.4 數(shù)字低通、高通、帶通濾波器
5.1.5 巴特沃斯濾波器實驗結(jié)果
5.2 同態(tài)濾波
5.2.1 圖像形成模型
5.2.2 同態(tài)濾波器
小結(jié)
習題
第6章 小波域去噪濾波器
6.1 門限相關(guān)的小波去噪濾波器
6.1.1 Donoho軟門限去噪濾波器
6.1.2 硬門限去噪濾波器
6.1.3 GCV閾值和SURE閾值軟門限去噪濾波器
6.1.4 Bayes估計閾值軟門限去噪濾波器
6.2 基于Context模型的空間自適應小波去噪濾波器
6.3 基于尺度和空間混合模型的小波圖像去噪濾波器
6.4 基于隱馬爾可夫樹模型的小波去噪濾波器
6.5 基于尺度空間和Context模型相結(jié)合的自適應小波去噪濾波器
6.6 基于父系數(shù)及鄰域系數(shù)的雙樹復數(shù)小波去噪濾波器
6.7 基于Context模型和3D視頻圖像的小波去噪濾波器
6.8 SAR圖像處理
6.8.1 SAR圖像增強系統(tǒng)結(jié)構(gòu)設計
6.8.2 實驗結(jié)果和結(jié)論
小結(jié)
習題
第7章 數(shù)字視頻處理
7.1 運動估計
7.1.1 基于像素的運動估計
7.1.2 基于塊的運動估計
7.1.3 多分辨率運動估計
7.1.4 幾種運動估計方法的比較
7.2 運動補償
7.2.1 運動補償方式
7.2.2 多假設運動補償
7.2.3 重疊塊運動補償
7.2.4 重疊可變塊運動補償
7.3 去隔行算法
7.3.1 非運動補償?shù)娜ジ粜兴惴?br />7.3.2 運動補償?shù)娜ジ粜兴惴?br />7.3.3 其他去隔行算法
7.3.4 仿真結(jié)果
7.4 去隔行算法FPGA實現(xiàn)
7.4.1 VLSI設計方法簡介
7.4.2 去隔行算法FPGA實現(xiàn)
7.5 小波SPIHT編碼方法C語言及DSP實現(xiàn)
7.5.1 SPIHT編碼的C語言實現(xiàn)
7.5.2 小波SPIHT編碼在C6701評估板上實現(xiàn)
小結(jié)
習題
第8章 基于多尺度的PCNN圖像融合算法
8.1 圖像融合技術(shù)的發(fā)展過程
8.2 基于小波變換圖像融合的基本原理
8.3 融合效果性能評價指標
8.3.1 均值和標準差
8.3.2 熵
8.3.3 平均梯度
8.3.4 互信息
8.3.5 歸一化指標
8.4 高頻域融合算法研究
8.4.1 均值法
8.4.2 最大值法
8.4.3 基于區(qū)域的最大值法
8.4.4 基于區(qū)域能量的圖像融合算法
8.4.5 基于邊緣強度的自適應融合法
8.4.6 基于PCNN的圖像磁舍算法
8.4.7 改進的PCNN圖像融合算法
8.4.8 高頻域內(nèi)不同融合算法的比較
8.5 低頻域融合方法
8.5.1 低頻平均法
8.5.2 基于低頻域邊緣的選擇方案
8.5.3 基于PCNN的低頻域融合算法
8.5.4 低頻域內(nèi)不同融合算法的比較
8.5.5 最終融合結(jié)果
8.6 改進拉普拉斯能量和的尖銳頻率局部化Contourlet域多聚焦圖像融合
8.6.1 尖銳頻率局部化Contourlet變換
8.6.2 循環(huán)平移SFLCT域圖像融合方法
8.6.3 融合規(guī)則
8.6.4 實驗結(jié)果
8.7 非子采樣Contourlet變換域內(nèi)的空間頻率激勵的PCNN的圖像融合
8.7.1 圖像融合中的NSCT
8.7.2 基于NSCT-SF-PCNN的圖像融合算法
8.7.3 實驗結(jié)果
8.8 PCNN圖像融合的相關(guān)方法
附錄1 MATLAB中圖像工具箱基本技巧
附錄2 練習題參考答案和部分應用程序
參考文獻