书籍详情
多尺度图像融合理论与方法
作者：才溪 著
出版社：电子工业出版社
出版时间：2014-01-01
ISBN：9787121219146
定价：¥48.00
购买这本书可以去
内容简介
《多尺度图像融合理论与方法》系统深入地阐述了多尺度图像融合的理论和方法，总结了国内外多尺度图像融合技术的最新成果和最新进展。《多尺度图像融合理论与方法》内容包括：图像融合的基本理论和研究现状，像素级融合的基本方法及评价标准，多尺度图像融合的基本框架、研究现状及难点，金字塔变换、小波变换、多小波变换、Curvelet变换、Contourlet变换的基本理论及基于各变换的图像融合算法，多尺度边缘表示理论及基于多尺度边缘的图像融合算法。书中的算法大都做了详细的计算机仿真实验，以验证算法的有效性和可行性，并给出了大量的定性和定量分析。
作者简介
王学屯，具有多年一线维修与维护经验，现为大学老师，理论与实践结合的完美体现。
目录
第1章 图像融合基础
1.1 图像融合的概念及研究意义
1.2 图像融合技术的发展及研究现状
1.3 图像融合的应用
1.4 图像融合的分类
1.4.1 按信息表征层次分类
1.4.2 按图像源分类
1.4.3 按融合方法分类
1.5 本章小结
参考文献
第2章 像素级图像融合概述
2.1 像素级图像融合的预处理
2.1.1 图像配准
2.1.2 图像去噪
2.2 像素级图像融合方法综述
2.2.1 加权平均图像融合方法
2.2.2 IHS空间图像融合方法
2.2.3 主成分分析图像融合方法
2.2.4 伪彩色图像融合方法
2.2.5 基于统计估计的图像融合方法
2.3 像素级图像融合性能评价
2.3.1 主观评价
2.3.2 客观评价
2.4 本章小结
参考文献
第3章 多尺度图像融合基本框架及研究现状
3.1 多尺度图像融合的产生
3.2 多尺度图像融合的基本框架
3.2.1 多尺度分解方法
3.2.2 融合准则
3.3 多尺度图像融合的研究现状
3.4 多尺度图像融合的研究难点
3.5 本章小结
参考文献
第4章 基于金字塔变换的图像融合
4.1 金字塔变换
4.1.1 高斯金字塔
4.1.2 拉普拉斯金字塔
4.1.3 对比度金字塔
4.1.4 梯度金字塔
4.2 基于金字塔变换的图像融合传统方法
4.2.1 基于拉普拉斯金字塔的图像融合方法（LPT）
4.2.2 基于对比度金字塔的图像融合方法（CPT）
4.2.3 基于梯度金字塔的图像融合方法（GPT）
4.3 实验结果及分析
4.4 本章小结
参考文献
第5章 基于小波变换的图像融合
5.1 小波变换
5.1.1 一维小波变换
5.1.2 二维小波变换
5.2 基于小波变换的图像融合传统方法
5.2.1 选取系数绝对值最大的融合方法（w-Max）
5.2.2 选取对比度绝对值最大的融合方法（w-Ctr）
5.2.3 基于匹配度的融合方法（w-Match）
5.3 一种基于小波域隐马尔可夫树模型的多聚焦图像融合方法
5.3.1 隐马尔可夫模型
5.3.2 小波域隐马尔可夫树模型
5.3.3 基于小波变换的多聚焦图像融合方法
5.4 实验结果及分析
5.5 本章小结
参考文献
第6章 基于多小波变换的图像融合
6.1 多小波变换
6.1.1 一维离散多小波变换
6.1.2 二维离散多小波变换
6.2 基于多小波变换的图像融合传统方法
6.2.1 选取跨方向子带贡献最大的融合方法（DMWT-Qumar）
6.2.2 基于Canny边缘检测的多聚焦图像融合方法（DMWT-Canny）
6.2.3 基于范数的多光谱图像矢量融合方法（DMWT-Norm）
6.3 一种基于多小波域双变量Alpha稳定分布的矢量图像融合方法
6.3.1 Alpha稳定分布
6.3.2 多小波系数矢量统计特性分析
6.3.3 矢量融合方法具体步骤
6.4 实验结果及分析
6.5 本章小结
参考文献
第7章 基于Curvelet变换的图像融合
7.1 Curvelet变换
7.1.1 连续时间Curvelet变换
7.1.2 离散Curvelet变换
7.2 基于Curvelet变换的图像融合传统方法
7.2.1 选取系数绝对值最大的融合方法（CT-Max）
7.2.2 选取区域能量最大的融合方法（CT-Emax）
7.2.3 基于脉冲耦合神经网络的融合方法（CT-PCNN）
7.3 一种基于Curvelet域自适应脉冲耦合神经网络的图像融合方法
7.3.1 脉冲耦合神经网络（PCNN）模型
7.3.2 基于Curvelet域自适应脉冲耦合神经网络的图像融合方法
7.4 实验结果及分析
7.5 本章小结
参考文献
第8章 基于Contourlet变换的图像融合
8.1 Contourlet变换
8.1.1 LP变换
8.1.2 方向滤波器组
8.1.3 Contourlet变换及其特点
8.2 基于Contourlet变换的图像融合传统方法
8.3 Contourlet变换低通滤波器对融合算法性能的影响
8.4 Contourlet变换低通滤波器对融合图像中伪轮廓的影响
8.5 Contourlet变换低通滤波器对融合算法中分解层数选取的影响
8.6 本章小结
参考文献
第9章 基于多尺度边缘的图像融合
9.1 图像多尺度边缘表示理论
9.1.1 信号的多尺度边缘检测
9.1.2 信号的多尺度边缘重构
9.2 基于多尺度边缘的图像融合传统方法
9.2.1 合并多尺度边缘的融合方法（MER-IF）
9.2.2 基于多尺度边缘的去噪融合方法（MER-IFNR）
9.3 一种基于多尺度边缘对失配/噪声鲁棒的图像融合方法
9.3.1 算法框架构成
9.3.2 多尺度边缘的处理
9.3.3 关键度量的定义——边缘相关性
9.3.4 多尺度边缘的配准过程
9.3.5 多尺度边缘的融合准则
9.3.6 多尺度边缘的重构
9.4 实验结果及分析
9.4.1 全局边缘相关性的单峰特性
9.4.2 无噪声失配情况下融合结果分析
9.4.3 有噪声失配情况下融合结果分析
9.5 本章小结
参考文献
第10章 多尺度图像融合的发展趋势
10.1 多尺度图像融合理论与技术的发展方向
10.2 理论技术发展对器件与系统发展的影响
10.3 本章小结
1.1 图像融合的概念及研究意义
1.2 图像融合技术的发展及研究现状
1.3 图像融合的应用
1.4 图像融合的分类
1.4.1 按信息表征层次分类
1.4.2 按图像源分类
1.4.3 按融合方法分类
1.5 本章小结
参考文献
第2章 像素级图像融合概述
2.1 像素级图像融合的预处理
2.1.1 图像配准
2.1.2 图像去噪
2.2 像素级图像融合方法综述
2.2.1 加权平均图像融合方法
2.2.2 IHS空间图像融合方法
2.2.3 主成分分析图像融合方法
2.2.4 伪彩色图像融合方法
2.2.5 基于统计估计的图像融合方法
2.3 像素级图像融合性能评价
2.3.1 主观评价
2.3.2 客观评价
2.4 本章小结
参考文献
第3章 多尺度图像融合基本框架及研究现状
3.1 多尺度图像融合的产生
3.2 多尺度图像融合的基本框架
3.2.1 多尺度分解方法
3.2.2 融合准则
3.3 多尺度图像融合的研究现状
3.4 多尺度图像融合的研究难点
3.5 本章小结
参考文献
第4章 基于金字塔变换的图像融合
4.1 金字塔变换
4.1.1 高斯金字塔
4.1.2 拉普拉斯金字塔
4.1.3 对比度金字塔
4.1.4 梯度金字塔
4.2 基于金字塔变换的图像融合传统方法
4.2.1 基于拉普拉斯金字塔的图像融合方法（LPT）
4.2.2 基于对比度金字塔的图像融合方法（CPT）
4.2.3 基于梯度金字塔的图像融合方法（GPT）
4.3 实验结果及分析
4.4 本章小结
参考文献
第5章 基于小波变换的图像融合
5.1 小波变换
5.1.1 一维小波变换
5.1.2 二维小波变换
5.2 基于小波变换的图像融合传统方法
5.2.1 选取系数绝对值最大的融合方法（w-Max）
5.2.2 选取对比度绝对值最大的融合方法（w-Ctr）
5.2.3 基于匹配度的融合方法（w-Match）
5.3 一种基于小波域隐马尔可夫树模型的多聚焦图像融合方法
5.3.1 隐马尔可夫模型
5.3.2 小波域隐马尔可夫树模型
5.3.3 基于小波变换的多聚焦图像融合方法
5.4 实验结果及分析
5.5 本章小结
参考文献
第6章 基于多小波变换的图像融合
6.1 多小波变换
6.1.1 一维离散多小波变换
6.1.2 二维离散多小波变换
6.2 基于多小波变换的图像融合传统方法
6.2.1 选取跨方向子带贡献最大的融合方法（DMWT-Qumar）
6.2.2 基于Canny边缘检测的多聚焦图像融合方法（DMWT-Canny）
6.2.3 基于范数的多光谱图像矢量融合方法（DMWT-Norm）
6.3 一种基于多小波域双变量Alpha稳定分布的矢量图像融合方法
6.3.1 Alpha稳定分布
6.3.2 多小波系数矢量统计特性分析
6.3.3 矢量融合方法具体步骤
6.4 实验结果及分析
6.5 本章小结
参考文献
第7章 基于Curvelet变换的图像融合
7.1 Curvelet变换
7.1.1 连续时间Curvelet变换
7.1.2 离散Curvelet变换
7.2 基于Curvelet变换的图像融合传统方法
7.2.1 选取系数绝对值最大的融合方法（CT-Max）
7.2.2 选取区域能量最大的融合方法（CT-Emax）
7.2.3 基于脉冲耦合神经网络的融合方法（CT-PCNN）
7.3 一种基于Curvelet域自适应脉冲耦合神经网络的图像融合方法
7.3.1 脉冲耦合神经网络（PCNN）模型
7.3.2 基于Curvelet域自适应脉冲耦合神经网络的图像融合方法
7.4 实验结果及分析
7.5 本章小结
参考文献
第8章 基于Contourlet变换的图像融合
8.1 Contourlet变换
8.1.1 LP变换
8.1.2 方向滤波器组
8.1.3 Contourlet变换及其特点
8.2 基于Contourlet变换的图像融合传统方法
8.3 Contourlet变换低通滤波器对融合算法性能的影响
8.4 Contourlet变换低通滤波器对融合图像中伪轮廓的影响
8.5 Contourlet变换低通滤波器对融合算法中分解层数选取的影响
8.6 本章小结
参考文献
第9章 基于多尺度边缘的图像融合
9.1 图像多尺度边缘表示理论
9.1.1 信号的多尺度边缘检测
9.1.2 信号的多尺度边缘重构
9.2 基于多尺度边缘的图像融合传统方法
9.2.1 合并多尺度边缘的融合方法（MER-IF）
9.2.2 基于多尺度边缘的去噪融合方法（MER-IFNR）
9.3 一种基于多尺度边缘对失配/噪声鲁棒的图像融合方法
9.3.1 算法框架构成
9.3.2 多尺度边缘的处理
9.3.3 关键度量的定义——边缘相关性
9.3.4 多尺度边缘的配准过程
9.3.5 多尺度边缘的融合准则
9.3.6 多尺度边缘的重构
9.4 实验结果及分析
9.4.1 全局边缘相关性的单峰特性
9.4.2 无噪声失配情况下融合结果分析
9.4.3 有噪声失配情况下融合结果分析
9.5 本章小结
参考文献
第10章 多尺度图像融合的发展趋势
10.1 多尺度图像融合理论与技术的发展方向
10.2 理论技术发展对器件与系统发展的影响
10.3 本章小结
猜您喜欢
