壓縮感知及應(yīng)用

第1章 壓縮感知的學(xué)習(xí)方法
1.1 壓縮感知及應(yīng)用學(xué)習(xí)的對策
1.2 新知識和技術(shù)進(jìn)展學(xué)習(xí)攻守策略
1.3 工程訓(xùn)練或研究課題推薦學(xué)習(xí)方式
第2章 信號的稀疏表示
2.1 信號的稀疏表示
2.2 信號稀疏表示方法
2.2.1 閡值法
2.2.2 冗余字典
2.3 稀疏系數(shù)的求解
2.3.1 基本原理
2.3.2 彳范數(shù)算法
2.4 幾種信號稀疏表示方法
2.4.1 傅里葉變換
2.4.2 小波變換
2.4.3 多尺度幾何分析
2.4.4 冗余字典的稀疏分解
2.5 圖像的小波稀疏表示
2.5.1 傅里葉分析與小波分析
2.5.2 小波變換的分解和重構(gòu)算法
2.5.3 小波變換在圖像處理中的應(yīng)用
2.5.4 超小波Bandelet介紹
2.5.5 第二代Bandelet變換
2.6 Grouplet變換
2.6.1 Grouplet理論
2.6.2 正交Gmuplet變換
2.6.3 緊框架Crouplet變換
2.7 Surfacelet變換
2.7.1 Surfacelet變換的結(jié)構(gòu)
2.7.2 Surfacelet變換的性質(zhì)
2.7.3 Surfacelet變換系數(shù)父子關(guān)系分析
2.7.4 程序測試結(jié)果
參考文獻(xiàn)
第3章 壓縮感知理論
3.1 壓縮感知的起源
3.2 壓縮感知的應(yīng)用
3.3 壓縮感知理論
3.4 壓縮感知算法
3.4.1 零空間特性
3.4.2 約束等距性質(zhì)
3.5 測量矩陣
3.6 信號重建算法
3.6.1 最小彳范數(shù)法
3.6.2 匹配追蹤算法
3.6.3 最小全變分法
3.6.4 迭代閩值法
3.7 測量矩陣研究
3.7.1 常用測量矩陣與信號稀疏度之間的關(guān)系研究
3.7.2 常用測量矩陣的性能比較
3.7.3 測量矩陣改進(jìn)方法
3.8 本章小結(jié)
參考文獻(xiàn)
第4章 基于壓縮感知理論髫范數(shù)算法的$AR成像
4.1 SLO算法
4.1.1 算法原理
4.1.2 算法步驟
4.1.3 參數(shù)的選取
4.1.4 SIJD算法的優(yōu)化
4.2 NSI。O算法
4.2.1 雙曲正切函數(shù)
4.2.2 修正牛頓方向
4.2.3 算法步驟
4.2.4 NSID算法的優(yōu)化
4.3.Matlab仿真
4.3.1 信號重建質(zhì)量指標(biāo)
4.3.2 仿真結(jié)果分析
4.4 OSINSID算法在SAR成像中的應(yīng)用
4.4.1 仿真實(shí)驗(yàn)內(nèi)容
4.4.2 結(jié)果分析
4.4.3 與其他CS重構(gòu)算法對比
4.5 本章小結(jié)
參考文獻(xiàn)
第5章 基于冗余字典的SAR圖像壓縮感知重建
5.1 冗余字典
5.1.1 冗余字典的學(xué)習(xí)
5.1.2 Curvelet變換和Gabor變換基本理論
5.2 基于Curvelet變換和Gabor變換的冗余字典圖像稀疏表示
5.2.1 圖像分塊
5.2.2 基于Gabor變換和Curvelet變換得到冗余字典
5.2.3 稀疏系數(shù)的計(jì)算
5.2.4 圖像的重建和效果評估
5.3 ：Matlab仿真步驟和實(shí)驗(yàn)結(jié)果
5.3.1 圖像稀疏表示步驟
5.3.2 對Lena圖像處理的實(shí)驗(yàn)結(jié)果
5.4 基于Curvelet變換冗余字典的SAR圖像稀疏表示
5.4.1 圖像分塊
5.4.2 基于Curvelet變換和Gabor變換獲得的字典進(jìn)行稀疏重建的比奈
5.4.3 基于Curvelet變換的字典優(yōu)化
5.5 本章小結(jié)
參考文獻(xiàn)
第6章 基于小波樹的壓縮感知SAR圖像重建
6.1 基于小波樹的正交匹配追蹤重建算法
6.1.1 正交匹配追蹤算法
6.1.2 TOMP算法
6.1.3 實(shí)驗(yàn)結(jié)果
6.2 基于分塊的三維小波樹的正交匹配追蹤算法
6.2.1 三維的基于小波樹的正交匹配追蹤算法（3D-TOMP）
6.2.2 基于分塊的三維小波樹的正交匹配追蹤算法（3D-TOMP-BL）
6.2.3 實(shí)驗(yàn)結(jié)果及分析
6.3 本章小結(jié)
參考文獻(xiàn)
第7章 基于小波框架的自適應(yīng)Karhunen.Love高光譜壓縮成像
7.1 序言
7.2 高光譜遙感的圖像特征及相關(guān)性分析
7.2.1 高光譜數(shù)據(jù)的譜間相關(guān)性分析
7.2.2 高光譜數(shù)據(jù)的空間相關(guān)性分析
7.3 壓縮編碼數(shù)據(jù)的自適應(yīng)KL模型
7.3.1 空間域壓縮感知采樣
7.3.2 譜間自適應(yīng)KL變換編碼
7.3.3 解碼
7.4 實(shí)驗(yàn)結(jié)果與分析
7.4.1 2DCS編碼數(shù)據(jù)的特征值
7.4.2 不同空間壓縮率下的算法
7.4.3 與典型壓縮方法的對比
7.5 譜結(jié)構(gòu)先驗(yàn)對受損譜段的修復(fù)
7.5.1 交叉驗(yàn)證
7.5.2 譜段修復(fù)
7.6 本章小結(jié)
參考文獻(xiàn)
第8章 基于緊框架Surfacelet變換的高光譜圖像三維重建
8.1 序言
8.2 Ⅳ維方向?yàn)V波器組及緊框架Surfacelet變換
8.2.1 Ⅳ維方向?yàn)V波器組
8.2.2 基于緊框架Surfacelet變換的高光譜圖像稀疏表示
8.3 基于緊框架Surfacelet變換的高光譜圖像欠采重建
8.3.1 不相關(guān)性和高斯隨機(jī)編碼矩陣的設(shè)計(jì)
8.3.2 基于緊框架Su以celet變換的稀疏圖像重建
8.3.3 基于分塊的壓縮感知緊框架Surfacelet重建算法
8.4 數(shù)值計(jì)算方法
8.5 實(shí)驗(yàn)結(jié)果和分析
8.5.1 壓縮感知編碼矩陣的施密特正交化
8.5.2 基于2D壓縮感知編碼矩陣的Surfacelet重建和小波重建性能的比較
8.5.3 2D編碼矩陣與3D編碼矩陣
8.5.4 PCSST性能測試
8.6 本章小結(jié)
參考文獻(xiàn)