基于稀疏表示的圖像壓縮和去噪理論與應用

第1章 緒論
1．1 人眼視覺特性
1．1．1 視覺系統(tǒng)
1．1．2 視覺信息處理機制和感知模型
1．1．3 視覺特性與啟示
1．2 圖像模型與表示
1．2．1 圖像模型
1．2．2 圖像表示方法
1．3 圖像稀疏表示與處理
1．3．1 信號的稀疏表示
1．3．2 圖像稀疏表示模型
1．3．3 基于稀疏表示的圖像處理
1．4 圖像質量的評價
1．4．1 主觀評價
1．4．2 客觀評價
1．5 本章小結
第2章 稀疏表示的原理及方法
2．1 信號的稀疏表示
2．1．1 信號的表示
2．1．2 稀疏的度量
2．1．3 冗余稀疏表示
2．2 原子庫構建
2．2．1 原子庫的發(fā)展與分類
2．2．2 基于解析的原子庫
2．2．3 原子庫學習方法
2．3 稀疏分解
2．4 本章小結
第3章 圖像壓縮編碼概述
3．1 壓縮編碼流程
3．2 經典編碼技術
3．3 第二代圖像編碼
3．4 小波圖像編碼
3．5 可伸縮編碼技術
3．6 基于冗余表示的圖像編碼
3．6．1 冗余表示編碼框架
3．6．2 矢量量化
3．6．3 分形編碼
3．6．4 匹配追蹤編碼
3．6．5 討論
3．7 本章小結
第4章 分形圖像壓縮編碼
4．1 分形編碼數學基礎
4．1．1 迭代函數系統(tǒng)理論
4．1．2 不動點定理
4．1．3 拼貼定理
4．2 分形圖像編碼原理與實現(xiàn)
4．2．1 編碼原理
4．2．2 編碼方法
4．2．3 實驗結果
4．3 分形圖像解碼的靈活性
4．3．1 可控質量漸進解碼
4．3．2 分辨率無關解碼
4．4 本章小結
第5章 匹配追蹤圖像壓縮編碼
5．1 原子庫的構建
5．2 MP圖像分解
5．2．1 FSMP算法
5．2．2 MP原子特性
5．3 多尺度MP分解
5．3．1 圖像多尺度表示
5．3．2 多尺度追蹤
5．3．3 實驗結果
5．4 MP圖像編碼
5．4．1 MP編碼研究現(xiàn)狀
5．4．2 基于塊劃分的MP編碼
5．4．3 碼流的可伸縮性
5．4．4 實驗結果
5．5 本章小結
第6章 圖像去噪概述
6．1 噪聲及其度量
6．1．1 圖像噪聲
6．1．2 噪聲的度量
6．2 空域去噪技術
6．3 變換域去噪技術
6．4 非局部去噪技術
6．5 冗余稀疏去噪技術
6．6 討論
6．7 本章小結
第7章 基于全局原子庫的冗余稀疏去噪
7．1 概述
7．2 原子庫學習
7．2．1 基于相關系數準則的稀疏編碼
7．2．2 基于噪聲檢測的原子庫裁剪
7．2．3 原子庫學習算法
7．3 稀疏分解去噪
7．3．1 多級分解去噪
7．3．2 稀疏編碼策略
7．3．3 人為噪聲抑制
7．4．實驗結果
7．4．1 參數設置
7．4．2 原子庫學習的評估
7．4．3 多級去噪性能評估
7．4．4 客觀性能比較
7．4．5 主觀性能比較
7．5 本章小結
第8章 基于空間自適應原子庫的冗余稀疏去噪
8．1 概述
8．2 算法思路
8．3 全局空間分析
8．4 原子庫訓練
8．5 基原子選擇
8．6 算法描述
8．7 討論
8．8 實驗結果
8．8．1 主特點評估
8．8．2 客觀性能比較
8．8．3 主觀性能比較
8．9 本章小結
參考文獻