多尺度圖像融合理論與方法

第1章 圖像融合基礎(chǔ)
1.1 圖像融合的概念及研究意義
1.2 圖像融合技術(shù)的發(fā)展及研究現(xiàn)狀
1.3 圖像融合的應(yīng)用
1.4 圖像融合的分類
1.4.1 按信息表征層次分類
1.4.2 按圖像源分類
1.4.3 按融合方法分類
1.5 本章小結(jié)
參考文獻
第2章 像素級圖像融合概述
2.1 像素級圖像融合的預(yù)處理
2.1.1 圖像配準(zhǔn)
2.1.2 圖像去噪
2.2 像素級圖像融合方法綜述
2.2.1 加權(quán)平均圖像融合方法
2.2.2 IHS空間圖像融合方法
2.2.3 主成分分析圖像融合方法
2.2.4 偽彩色圖像融合方法
2.2.5 基于統(tǒng)計估計的圖像融合方法
2.3 像素級圖像融合性能評價
2.3.1 主觀評價
2.3.2 客觀評價
2.4 本章小結(jié)
參考文獻
第3章 多尺度圖像融合基本框架及研究現(xiàn)狀
3.1 多尺度圖像融合的產(chǎn)生
3.2 多尺度圖像融合的基本框架
3.2.1 多尺度分解方法
3.2.2 融合準(zhǔn)則
3.3 多尺度圖像融合的研究現(xiàn)狀
3.4 多尺度圖像融合的研究難點
3.5 本章小結(jié)
參考文獻
第4章 基于金字塔變換的圖像融合
4.1 金字塔變換
4.1.1 高斯金字塔
4.1.2 拉普拉斯金字塔
4.1.3 對比度金字塔
4.1.4 梯度金字塔
4.2 基于金字塔變換的圖像融合傳統(tǒng)方法
4.2.1 基于拉普拉斯金字塔的圖像融合方法（LPT）
4.2.2 基于對比度金字塔的圖像融合方法（CPT）
4.2.3 基于梯度金字塔的圖像融合方法（GPT）
4.3 實驗結(jié)果及分析
4.4 本章小結(jié)
參考文獻
第5章 基于小波變換的圖像融合
5.1 小波變換
5.1.1 一維小波變換
5.1.2 二維小波變換
5.2 基于小波變換的圖像融合傳統(tǒng)方法
5.2.1 選取系數(shù)絕對值最大的融合方法（w-Max）
5.2.2 選取對比度絕對值最大的融合方法（w-Ctr）
5.2.3 基于匹配度的融合方法（w-Match）
5.3 一種基于小波域隱馬爾可夫樹模型的多聚焦圖像融合方法
5.3.1 隱馬爾可夫模型
5.3.2 小波域隱馬爾可夫樹模型
5.3.3 基于小波變換的多聚焦圖像融合方法
5.4 實驗結(jié)果及分析
5.5 本章小結(jié)
參考文獻
第6章 基于多小波變換的圖像融合
6.1 多小波變換
6.1.1 一維離散多小波變換
6.1.2 二維離散多小波變換
6.2 基于多小波變換的圖像融合傳統(tǒng)方法
6.2.1 選取跨方向子帶貢獻最大的融合方法（DMWT-Qumar）
6.2.2 基于Canny邊緣檢測的多聚焦圖像融合方法（DMWT-Canny）
6.2.3 基于范數(shù)的多光譜圖像矢量融合方法（DMWT-Norm）
6.3 一種基于多小波域雙變量Alpha穩(wěn)定分布的矢量圖像融合方法
6.3.1 Alpha穩(wěn)定分布
6.3.2 多小波系數(shù)矢量統(tǒng)計特性分析
6.3.3 矢量融合方法具體步驟
6.4 實驗結(jié)果及分析
6.5 本章小結(jié)
參考文獻
第7章 基于Curvelet變換的圖像融合
7.1 Curvelet變換
7.1.1 連續(xù)時間Curvelet變換
7.1.2 離散Curvelet變換
7.2 基于Curvelet變換的圖像融合傳統(tǒng)方法
7.2.1 選取系數(shù)絕對值最大的融合方法（CT-Max）
7.2.2 選取區(qū)域能量最大的融合方法（CT-Emax）
7.2.3 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的融合方法（CT-PCNN）
7.3 一種基于Curvelet域自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合方法
7.3.1 脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）模型
7.3.2 基于Curvelet域自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合方法
7.4 實驗結(jié)果及分析
7.5 本章小結(jié)
參考文獻
第8章 基于Contourlet變換的圖像融合
8.1 Contourlet變換
8.1.1 LP變換
8.1.2 方向濾波器組
8.1.3 Contourlet變換及其特點
8.2 基于Contourlet變換的圖像融合傳統(tǒng)方法
8.3 Contourlet變換低通濾波器對融合算法性能的影響
8.4 Contourlet變換低通濾波器對融合圖像中偽輪廓的影響
8.5 Contourlet變換低通濾波器對融合算法中分解層數(shù)選取的影響
8.6 本章小結(jié)
參考文獻
第9章 基于多尺度邊緣的圖像融合
9.1 圖像多尺度邊緣表示理論
9.1.1 信號的多尺度邊緣檢測
9.1.2 信號的多尺度邊緣重構(gòu)
9.2 基于多尺度邊緣的圖像融合傳統(tǒng)方法
9.2.1 合并多尺度邊緣的融合方法（MER-IF）
9.2.2 基于多尺度邊緣的去噪融合方法（MER-IFNR）
9.3 一種基于多尺度邊緣對失配/噪聲魯棒的圖像融合方法
9.3.1 算法框架構(gòu)成
9.3.2 多尺度邊緣的處理
9.3.3 關(guān)鍵度量的定義——邊緣相關(guān)性
9.3.4 多尺度邊緣的配準(zhǔn)過程
9.3.5 多尺度邊緣的融合準(zhǔn)則
9.3.6 多尺度邊緣的重構(gòu)
9.4 實驗結(jié)果及分析
9.4.1 全局邊緣相關(guān)性的單峰特性
9.4.2 無噪聲失配情況下融合結(jié)果分析
9.4.3 有噪聲失配情況下融合結(jié)果分析
9.5 本章小結(jié)
參考文獻
第10章 多尺度圖像融合的發(fā)展趨勢
10.1 多尺度圖像融合理論與技術(shù)的發(fā)展方向
10.2 理論技術(shù)發(fā)展對器件與系統(tǒng)發(fā)展的影響
10.3 本章小結(jié)